图书介绍
精通机器学习 基于R 第2版pdf电子书版本下载
- （美）考瑞·莱斯米斯特尔著；陈光欣译 著
- 出版社： 北京：人民邮电出版社
- ISBN：9787115477781
- 出版时间：2018
- 标注页数：291页
- 文件大小：35MB
- 文件页数：311页
- 主题词：机器学习；程序语言－程序设计
PDF下载
下载说明
精通机器学习 基于R 第2版PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 成功之路 1
1.1 流程 1
1.2 业务理解 2
1.2.1 确定业务目标 3
1.2.2 现状评估 4
1.2.3 确定分析目标 4
1.2.4 建立项目计划 4
1.3 数据理解 4
1.4 数据准备 5
1.5 建模 5
1.6 评价 6
1.7 部署 6
1.8 算法流程图 7
1.9 小结 10
第2章 线性回归：机器学习基础技术 11
2.1 单变量回归 11
2.2 多变量线性回归 18
2.2.1 业务理解 18
2.2.2 数据理解和数据准备 18
2.2.3 模型构建与模型评价 21
2.3 线性模型中的其他问题 30
2.3.1 定性特征 30
2.3.2 交互项 32
2.4 小结 34
第3章 逻辑斯蒂回归与判别分析 35
3.1 分类方法与线性回归 35
3.2 逻辑斯蒂回归 36
3.2.1 业务理解 36
3.2.2 数据理解和数据准备 37
3.2.3 模型构建与模型评价 41
3.3 判别分析概述 46
3.4 多元自适应回归样条方法 50
3.5 模型选择 54
3.6 小结 57
第4章 线性模型中的高级特征选择技术 58
4.1 正则化简介 58
4.1.1 岭回归 59
4.1.2 LASSO 59
4.1.3 弹性网络 60
4.2 商业案例 60
4.2.1 业务理解 60
4.2.2 数据理解和数据准备 60
4.3 模型构建与模型评价 65
4.3.1 最优子集 65
4.3.2 岭回归 68
4.3.3 LASSO 71
4.3.4 弹性网络 73
4.3.5 使用glmnet进行交叉验证 76
4.4 模型选择 78
4.5 正则化与分类问题 78
4.6 小结 81
第5章 更多分类技术：K最近邻与支持向量机 82
5.1 K最近邻 82
5.2 支持向量机 84
5.3 商业案例 86
5.3.1 业务理解 86
5.3.2 数据理解和数据准备 87
5.3.3 模型构建与模型评价 92
5.3.4 模型选择 98
5.4 SVM中的特征选择 100
5.5 小结 101
第6章 分类回归树 103
6.1 本章技术概述 103
6.1.1 回归树 104
6.1.2 分类树 104
6.1.3 随机森林 105
6.1.4 梯度提升 106
6.2 商业案例 106
6.2.1 模型构建与模型评价 107
6.2.2 模型选择 121
6.2.3 使用随机森林进行特征选择 121
6.3 小结 123
第7章 神经网络与深度学习 124
7.1 神经网络介绍 124
7.2 深度学习简介 128
7.3 业务理解 131
7.4 数据理解和数据准备 132
7.5 模型构建与模型评价 136
7.6 深度学习示例 139
7.6.1 H2O背景介绍 139
7.6.2 将数据上载到H2O平台 140
7.6.3 建立训练数据集和测试数据集 141
7.6.4 模型构建 142
7.7 小结 146
第8章 聚类分析 147
8.1 层次聚类 148
8.2 K均值聚类 149
8.3 果瓦系数与围绕中心的划分 150
8.3.1 果瓦系数 150
8.3.2 PAM 151
8.4 随机森林 151
8.5 业务理解 152
8.6 数据理解与数据准备 152
8.7 模型构建与模型评价 155
8.7.1 层次聚类 155
8.7.2 K均值聚类 162
8.7.3 果瓦系数和PAM 165
8.7.4 随机森林与PAM 167
8.8 小结 168
第9章 主成分分析 169
9.1 主成分简介 170
9.2 业务理解 173
9.3 模型构建与模型评价 176
9.3.1 主成分抽取 176
9.3.2 正交旋转与解释 177
9.3.3 根据主成分建立因子得分 178
9.3.4 回归分析 178
9.4 小结 184
第10章 购物篮分析、推荐引擎与序列分析 185
10.1 购物篮分析简介 186
10.2 业务理解 187
10.3 数据理解和数据准备 187
10.4 模型构建与模型评价 189
10.5 推荐引擎简介 192
10.5.1 基于用户的协同过滤 193
10.5.2 基于项目的协同过滤 194
10.5.3 奇异值分解和主成分分析 194
10.6 推荐系统的业务理解 198
10.7 推荐系统的数据理解与数据准备 198
10.8 推荐系统的建模与评价 200
10.9 序列数据分析 208
10.10 小结 214
第11章 创建集成多类分类 215
11.1 集成模型 215
11.2 业务理解与数据理解 216
11.3 模型评价与模型选择 217
11.4 多类分类 219
11.5 业务理解与数据理解 220
11.6 模型评价与模型选择 223
11.6.1 随机森林 224
11.6.2 岭回归 225
11.7 MLR集成模型 226
11.8 小结 228
第12章 时间序列与因果关系 229
12.1 单变量时间序列分析 229
12.2 业务理解 235
12.3 模型构建与模型评价 240
12.3.1 单变量时间序列预测 240
12.3.2 检查因果关系 243
12.4 小结 249
第13章 文本挖掘 250
13.1 文本挖掘框架与方法 250
13.2 主题模型 252
13.3 业务理解 254
13.4 模型构建与模型评价 257
13.4.1 词频分析与主题模型 257
13.4.2 其他定量分析 261
13.5 小结 267
第14章 在云上使用R语言 268
14.1 创建AWS账户 269
14.1.1 启动虚拟机 270
14.1.2 启动Rstudio 272
14.2 小结 274
附录R语言基础 275