商用機器學習：數(shù)據(jù)科學實踐

作者簡介
譯者和審校者簡介
譯者序
前言
第1章　引言 / 1
1.1　關(guān)于本書及相關(guān)材料 / 4
1.2　機器學習分類 / 5
1.3　驗證和測試 / 7
1.4　數(shù)據(jù)清洗 / 14
1.5　貝葉斯定理 / 17
第2章　無監(jiān)督學習 / 23
2.1　特征縮放 / 24
2.2　k-均值算法 / 25
2.3　設(shè)置k值 / 28
2.4　維度災(zāi)難 / 31
2.5　國家風險 / 32
2.6　其他聚類方法 / 39
2.7　主成分分析 / 41
第3章　監(jiān)督學習：線性回歸 / 49
3.1　線性回歸：單特征 / 50
3.2　線性回歸：多特征 / 52
3.3　分類特征 / 54
3.4　正則化 / 55
3.5　嶺回歸 / 56
3.6　套索回歸 / 61
3.7　彈性網(wǎng)絡(luò)回歸 / 64
3.8　房價數(shù)據(jù)模型結(jié)果 / 65
3.9　邏輯回歸 / 71
3.10　邏輯回歸的準確性 / 72
3.11　信貸決策中的運用 / 74
3.12　k-近鄰算法 / 80
第4章　監(jiān)督學習：決策樹 / 84
4.1　決策樹的本質(zhì) / 85
4.2　信息增益測度 / 86
4.3　信息決策應(yīng)用 / 88
4.4　樸素貝葉斯分類器 / 94
4.5　連續(xù)目標變量 / 99
4.6　集成學習 / 102
第5章　監(jiān)督學習：支持向量機 / 108
5.1　線性SVM分類 / 108
5.2　關(guān)于軟間隔的修改 / 115
5.3　非線性分離 / 117
5.4　關(guān)于連續(xù)變量的預(yù)測 / 119
第6章　監(jiān)督學習：神經(jīng)網(wǎng)絡(luò) / 125
6.1　單層神經(jīng)網(wǎng)絡(luò) / 125
6.2　多層神經(jīng)網(wǎng)絡(luò) / 129
6.3　梯度下降算法 / 131
6.4　梯度下降算法的變形 / 136
6.5　迭代終止規(guī)則 / 138
6.6　應(yīng)用于衍生產(chǎn)品 / 139
6.7　卷積神經(jīng)網(wǎng)絡(luò) / 140
6.8　遞歸神經(jīng)網(wǎng)絡(luò) / 142
附錄6A　反向傳播算法 / 146
第7章　強化學習 / 148
7.1　多臂老虎機問題 / 149
7.2　環(huán)境變化 / 156
7.3　Nim游戲博弈 / 158
7.4　時序差分學習 / 162
7.5　深度Q學習 / 164
7.6　應(yīng)用 / 165
第8章　社會問題 / 170
8.1　數(shù)據(jù)隱私 / 171
8.2　偏見 / 172
8.3　道德倫理 / 174
8.4　透明度 / 176
8.5　對抗機器學習 / 177
8.6　法律問題 / 178
8.7　人類與機器 / 179
部分習題答案 / 182
術(shù)語表 / 198