機器學習與R語言

 
推薦序
譯者序
前言
致謝
關(guān)于技術(shù)評審人
第1章機器學習簡介
1.1機器學習的起源
1.2機器學習的使用與濫用
1.3機器如何學習
1.3.1抽象化和知識表達
1.3.2一般化
1.3.3評估學習的成功性
1.4將機器學習應(yīng)用于數(shù)據(jù)中的步驟
1.5選擇機器學習算法
1.5.1考慮輸入的數(shù)據(jù)
1.5.2考慮機器學習算法的類型
1.5.3為數(shù)據(jù)匹配合適的算法
1.6使用R進行機器學習
1.7總結(jié)
第2章數(shù)據(jù)的管理和理解
2.1R數(shù)據(jù)結(jié)構(gòu)
2.2向量
2.3因子
2.3.1列表
2.3.2數(shù)據(jù)框
2.3.3矩陣和數(shù)組
2.4用R管理數(shù)據(jù)
2.4.1保存和加載R數(shù)據(jù)結(jié)構(gòu)
2.4.2用CSV文件導入和保存數(shù)據(jù)
2.4.3從SQL數(shù)據(jù)庫導入數(shù)據(jù)
2.5探索和理解數(shù)據(jù)
2.5.1探索數(shù)據(jù)的結(jié)構(gòu)
2.5.2探索數(shù)值型變量
2.5.3探索分類變量
2.5.4探索變量之間的關(guān)系
2.6總結(jié)
第3章懶惰學習——使用近鄰分類
3.1理解使用近鄰進行分類
3.1.1kNN算法
3.1.2為什么kNN算法是懶惰的
3.2用kNN算法診斷乳腺癌
3.2.1第1步——收集數(shù)據(jù)
3.2.2第2步——探索和準備數(shù)據(jù)
3.2.3第3步——基于數(shù)據(jù)訓練模型
3.2.4第4步——評估模型的性能
3.2.5第5步——提高模型的性能
3.3總結(jié)
第4章概率學習——樸素貝葉斯分類
4.1理解樸素貝葉斯
4.1.1貝葉斯方法的基本概念
4.1.2樸素貝葉斯算法
4.2例子——基于貝葉斯算法的手機垃圾短信過濾
4.2.1第1步——收集數(shù)據(jù)
4.2.2第2步——探索和準備數(shù)據(jù)
4.2.3數(shù)據(jù)準備——處理和分析文本數(shù)據(jù)
4.2.4第3步——基于數(shù)據(jù)訓練模型
4.2.5第4步——評估模型的性能
4.2.6第5步——提升模型的性能
4.3總結(jié)
第5章分而治之——應(yīng)用決策樹和規(guī)則進行分類
5.1理解決策樹
5.1.1分而治之
5.1.2C5.0決策樹算法
5.2例子——使用C5.0決策樹識別高風險銀行貸款
5.2.1第1步——收集數(shù)據(jù)
5.2.2第2步——探索和準備數(shù)據(jù)
5.2.3第3步——基于數(shù)據(jù)訓練模型
5.2.4第4步——評估模型的性能
5.2.5第5步——提高模型的性能
5.3理解分類規(guī)則
5.3.1獨立而治之
5.3.2單規(guī)則（1R）算法
5.3.3RIPPER算法
5.3.4來自決策樹的規(guī)則
5.4例子——應(yīng)用規(guī)則學習識別有毒的蘑菇
5.4.1第1步——收集數(shù)據(jù)
5.4.2第2步——探索和準備數(shù)據(jù)
5.4.3第3步——基于數(shù)據(jù)訓練模型
5.4.4第4步——評估模型的性能
5.4.5第5步——提高模型的性能
5.5總結(jié)
第6章預測數(shù)值型數(shù)據(jù)——回歸方法
6.1理解回歸
6.1.1簡單線性回歸
6.1.2普通最小二乘估計
6.1.3相關(guān)系數(shù)
6.1.4多元線性回歸
6.2例子——應(yīng)用線性回歸預測醫(yī)療費用
6.2.1第1步——收集數(shù)據(jù)
6.2.2第2步——探索和準備數(shù)據(jù)
6.2.3第3步——基于數(shù)據(jù)訓練模型
6.2.4第4步——評估模型的性能
6.2.5第5步——提高模型的性能
6.3理解回歸樹和模型樹
6.4例子——用回歸樹和模型樹估計葡萄酒的質(zhì)量
6.4.1第1步——收集數(shù)據(jù)
6.4.2第2步——探索和準備數(shù)據(jù)
6.4.3第3步——基于數(shù)據(jù)訓練模型
6.4.4第4步——評估模型的性能
6.4.5第5步——提高模型的性能
6.5總結(jié)
第7章黑箱方法——神經(jīng)網(wǎng)絡(luò)和支持向量機
7.1理解神經(jīng)網(wǎng)絡(luò)
7.1.1從生物神經(jīng)元到人工神經(jīng)元
7.1.2激活函數(shù)
7.1.3網(wǎng)絡(luò)拓撲
7.1.4用后向傳播訓練神經(jīng)網(wǎng)絡(luò)
7.2用人工神經(jīng)網(wǎng)絡(luò)對混凝土的強度進行建模
7.2.1第1步——收集數(shù)據(jù)
7.2.2第2步——探索和準備數(shù)據(jù)
7.2.3第3步——基于數(shù)據(jù)訓練模型
7.2.4第4步——評估模型的性能
7.2.5第5步——提高模型的性能
7.3理解支持向量機
7.3.1用超平面分類
7.3.2尋找最大間隔
7.3.3對非線性空間使用核函數(shù)
7.4用支持向量機進行光學字符識別
7.4.1第1步——收集數(shù)據(jù)
7.4.2第2步——探索和準備數(shù)據(jù)
7.4.3第3步——基于數(shù)據(jù)訓練模型
7.4.4第4步——評估模型的性能
7.4.5第5步——提高模型的性能
7.5總結(jié)
第8章探尋模式——基于關(guān)聯(lián)規(guī)則的購物籃分析
8.1理解關(guān)聯(lián)規(guī)則
8.2例子——用關(guān)聯(lián)規(guī)則確定經(jīng)常一起購買的食品雜貨
8.2.1第1步——收集數(shù)據(jù)
8.2.2第2步——探索和準備數(shù)據(jù)
8.2.3第3步——基于數(shù)據(jù)訓練模型
8.2.4第4步——評估模型的性能
8.2.5第5步——提高模型的性能
8.3總結(jié)
第9章尋找數(shù)據(jù)的分組——k均值聚類
9.1理解聚類
9.1.1聚類——一種機器學習任務(wù)
9.1.2k均值聚類算法
9.1.3用k均值聚類探尋青少年市場細分
9.1.4第1步——收集數(shù)據(jù)
9.1.5第2步——探索和準備數(shù)據(jù)
9.1.6第3步——基于數(shù)據(jù)訓練模型
9.1.7第4步——評估模型的性能
9.1.8第5步——提高模型的性能
9.2總結(jié)
第10章模型性能的評價
10.1度量分類方法的性能
10.1.1在R中處理分類預測數(shù)據(jù)
10.1.2深入探討混淆矩陣
10.1.3使用混淆矩陣度量性能
10.1.4準確度之外的其他性能評價指標
10.1.5性能權(quán)衡的可視化
10.2評估未來的性能
10.2.1保持法
10.2.2交叉驗證
10.2.3自助法抽樣
10.3總結(jié)
第11章提高模型的性能
11.1調(diào)整多個模型來提高性能
11.2使用元學習來提高模型的性能
11.2.1理解集成學習
11.2.2bagging
11.2.3boosting
11.2.4隨機森林
11.3總結(jié)
第12章其他機器學習主題
12.1分析專用數(shù)據(jù)
12.1.1用RCurl添加包從網(wǎng)上獲取數(shù)據(jù)
12.1.2用XML添加包讀/寫XML格式數(shù)據(jù)
12.1.3用rjson添加包讀/寫JSON
12.1.4用xlsx添加包讀/寫MicrosoftExcel電子表格
12.1.5生物信息學數(shù)據(jù)
12.1.6社交網(wǎng)絡(luò)數(shù)據(jù)和圖數(shù)據(jù)
12.2提高R語言的性能
12.2.1處理非常大的數(shù)據(jù)集
12.2.2使用并行處理來加快學習過程
12.2.3GPU計算
12.2.4部署最優(yōu)的學習算法
12.3總結(jié)