機器學習實踐指南

譯者序 

前言 

第1章 機器學習引言 1 

1.1 什么是機器學習 1 

1.2 分類方法概述 2 

1.3 聚類方法概述 2 

1.4 監(jiān)督學習概述 3 

1.5 無監(jiān)督學習概述 4 

1.6 增強學習概述 4 

1.7 結(jié)構(gòu)化預測概述 5 

1.8 神經(jīng)網(wǎng)絡概述 5 

1.9 深度學習概述 6 

第2章 分類 7 

2.1 引言 7 

2.2 判別函數(shù)分析：地下鹵水地質(zhì)化學測量 8 

2.3 多元邏輯回歸：理解學生的課程計劃選擇 15 

2.4 Tobit回歸：評估學生的學術(shù)能力 20 

2.5 泊松回歸：理解加拉帕戈斯群島現(xiàn)存物種 27 

第3章 聚類 38 

3.1 引言 38 

3.2 層次聚類：世界銀行樣本數(shù)據(jù)集 39 

3.3 層次聚類：1999～2010年 

亞馬遜雨林的燒毀情況 44 

3.4 層次聚類：基因聚類 55 

3.5 二進制聚類：數(shù)學測驗 68 

3.6 k均值聚類：歐洲各國蛋白質(zhì)消耗量 75 

3.7 k均值聚類：食品 80 

第4章 模型選擇和正則化 86 

4.1 引言 86 

4.2 壓縮方法：每天消耗的卡路里 87 

4.3 降維方法：Delta航空公司航空隊 100 

4.4 主成分分析：理解世界菜肴 109 

第5章 非線性 114 

5.1 廣義加性模型：衡量新西蘭的家庭收入 114 

5.2 平滑樣條：理解汽車和速度 119 

5.3 局部回歸：理解干旱警告和影響 129 

第6章 監(jiān)督學習 136 

6.1 引言 136 

6.2 決策樹學習：對胸痛患者的預先醫(yī)療護理指示 137 

6.3 決策樹學習：基于收入的房地產(chǎn)價值分布 145 

6.4 決策樹學習：預測股票走勢方向 154 

6.5 樸素貝葉斯：預測股票走勢方向 170 

6.6 隨機森林：貨幣交易策略 184 

6.7 支持向量機：貨幣交易策略 193 

6.8 隨機梯度下降：成人收入 201 

第7章 無監(jiān)督學習 208 

7.1 引言 208 

7.2 自組織映射：可視化熱圖 209 

7.3 矢量量化：圖像聚類 212 

第8章 增強學習 217 

8.1 引言 217 

8.2 馬爾可夫鏈：股票區(qū)制轉(zhuǎn)移模型 218 

8.3 馬爾可夫鏈：多渠道歸因模型 229 

8.4 馬爾可夫鏈：汽車租賃代理服務 239 

8.5 連續(xù)馬爾可夫鏈：加油站的車輛服務 243 

8.6 蒙特卡羅模擬：校準Hull-White短期利率 247 

第9章 結(jié)構(gòu)化預測 257 

9.1 引言 257 

9.2 隱馬爾可夫模型：歐元和美元 257 

9.3 隱馬爾可夫模型：區(qū)制檢測 263 

第10章 神經(jīng)網(wǎng)絡 270 

10.1 引言 270 

10.2 為S&P 500建模 270 

10.3 衡量失業(yè)率 278 

第11章 深度學習 292 

11.1 引言 292 

11.2 循環(huán)神經(jīng)網(wǎng)絡：預測周期信號 292 

第12章 案例研究：探索世界銀行數(shù)據(jù) 299 

12.1 引言 299 

12.2 探索世界銀行數(shù)據(jù) 299 

第13章 案例研究：再保險合同定價 316 

13.1 引言 316 

13.2 再保險合同定價 316 

第14章 案例研究：用電量預測 329 

14.1 引言 329 

14.2 用電量測量 329