大數(shù)據(jù)挖掘與統(tǒng)計(jì)機(jī)器學(xué)習(xí)（第2版）

第1章 概述
1．1 名詞演化
1．2 基本內(nèi)容
1．3 數(shù)據(jù)智慧
第2章 線性回歸方法
2．1 多元線性回歸
2．2 壓縮方法：嶺回歸與Lasso
2．3 Lasso模型的求解與理論性質(zhì)
2．4 損失函數(shù)加罰的建模框架
2．5 上機(jī)實(shí)踐
2．6 上機(jī)實(shí)踐：Python
第3章 線性分類方法
3．1 分類問(wèn)題綜述與評(píng)價(jià)準(zhǔn)則
3．2 Logistic回歸
3．3 線性判別
3．4 上機(jī)實(shí)踐
3．5 上機(jī)實(shí)踐：Python
第4章 模型評(píng)價(jià)與選擇
4．1 基本概念
4．2 。理論方法
4．3 數(shù)據(jù)重利用方法
4．4 上機(jī)實(shí)踐
4．5 上機(jī)實(shí)踐：Python
第5章 決策樹(shù)與組合方法
5．1 決策樹(shù)
5．2 Bagging
5．3 Boosting
5．4 隨機(jī)森林
5．5 上機(jī)實(shí)踐
5．6 上機(jī)實(shí)踐：Python
第6章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
6．1 神經(jīng)網(wǎng)絡(luò)
6．2 深度信念網(wǎng)
6．3 卷積神經(jīng)網(wǎng)絡(luò)
6．4 上機(jī)實(shí)踐
6．5 上機(jī)實(shí)踐：Python
第7章 支持向量機(jī)
7．1 線性可分支持向量機(jī)
7．2 軟間隔支持向量機(jī)
7．3 一些拓展
7．4 上機(jī)實(shí)踐
7．5 上機(jī)實(shí)踐：Python
第8章 聚類分析
8．1 基于距離的聚類
8．2 基于模型和密度的聚類
8．3 稀疏聚類
8．4 雙向聚類
8．5 上機(jī)實(shí)踐
8．6 上機(jī)實(shí)踐：Python
第9章 推薦系統(tǒng)9．1 基于鄰居的推薦
9．2 潛在因子與矩陣分解算法
9．3 上機(jī)實(shí)踐
9．4 上機(jī)實(shí)踐：Python
第10章 大數(shù)據(jù)案例分析
10．1 智能手機(jī)用戶監(jiān)測(cè)數(shù)據(jù)案例分析
10．2 美國(guó)航空數(shù)據(jù)案例分析
10．3 美國(guó)紐約公共自行車數(shù)據(jù)案例分析
參考文獻(xiàn)