图书信息
图书目录
数字化资源
机器学习及R应用
本书对机器学习的核心方法进行了深入而详细的介绍，并特别关注各学科最常用的算法。最大特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合流行的R语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。
本书适合普通高等学校理、工、农、医以及经济学、管理学、社会科学类的高年级本科生与研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或R语言经验。本书将从零开始，让读者快速体会到R语言的美妙与威力。
作者：
陈强
定价：
68.00元
出版时间：
2020-11-05
ISBN：
978-7-04-055139-6
读者对象：
高等教育
一级分类：
经济
二级分类：
经济学
三级分类：
经济统计学
重点项目：
暂无
版面字数：
730.000千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
- 前辅文
- 第1章 绪论
- 1.1 什么是机器学习
- 1.2 机器学习的分类
- 1.3 机器学习的术语
- 1.4 机器如何学习
- 1.5 机器学习与统计学、计量经济学的关系
- 第2章 R语言入门
- 2.1 为何使用R语言
- 2.2 R与RStudio的安装
- 2.3 计算器与赋值
- 2.4 向量
- 2.5 缺失值与空值
- 2.6 因子
- 2.7 矩阵
- 2.8 数组
- 2.9 列表
- 2.10 数据框
- 2.11 描述性统计
- 2.12 画图
- 2.13 读写数据
- 2.14 随机抽样
- 2.15 条件语句
- 2.16 循环语句
- 2.17 函数
- 2.18 工作空间管理
- 2.19 帮助
- 2.20 R语言的更新
- 2.21 进一步学习R的资源
- 习题
- 第3章 数学回顾
- 3.1 微积分
- 3.2 最优化
- 3.3 线性代数
- 3.4 概率统计
- 习题
- 第4章 线性回归
- 4.1 监督学习的回归问题
- 4.2 最优预测
- 4.3 线性回归模型
- 4.4 最小二乘法
- 4.5 OLS的正交性与几何解释
- 4.6 施密特正交化与QR分解
- 4.7 拟合优度
- 4.8 过拟合与泛化能力
- 4.9 偏差与方差的权衡
- 4.10 模型评估的再抽样方法
- 4.11 线性回归的R案例
- 习题
- 第5章 逻辑回归
- 5.1 逻辑回归概述
- 5.2 最大似然估计
- 5.3 Logit模型的解释
- 5.4 非线性模型的拟合优度
- 5.5 Logit模型的预测
- 5.6 二分类模型的评估
- 5.7 ROC与AUC
- 5.8 科恩的kappa
- 5.9 逻辑回归的R案例
- 习题
- 第6章 多项逻辑回归
- 6.1 多项逻辑回归概述
- 6.2 最大似然估计
- 6.3 多项逻辑回归的解释
- 6.4 多项逻辑回归的R案例
- 习题
- 第7章 判别分析
- 7.1 贝叶斯决策理论
- 7.2 线性判别分析
- 7.3 二次判别分析
- 7.4 费雪线性判别分析
- 7.5 费雪线性判别与基于正态的线性判别之关系
- 7.6 多分类问题的费雪判别分析
- 7.7 判别分析的R案例
- 附录
- 习题
- 第8章 朴素贝叶斯
- 8.1 朴素贝叶斯假定
- 8.2 拉普拉斯修正
- 8.3 朴素贝叶斯的R案例
- 习题
- 第9章 惩罚回归
- 9.1 高维回归的挑战
- 9.2 岭回归
- 9.3 岭回归的计算
- 9.4 岭回归的几何解释
- 9.5 套索估计量
- 9.6 套索估计量的计算
- 9.7 调节变量的选择
- 9.8 弹性网估计量
- 9.9 惩罚回归的R案例
- 附录
- 习题
- 第10章 K近邻法
- 10.1 回归问题的K近邻法
- 10.2 如何选择K
- 10.3 分类问题的K近邻法
- 10.4 K近邻法的优缺点
- 10.5 K近邻法的R案例
- 习题
- 第11章 决策树
- 11.1 分类树的启发案例
- 11.2 二叉树的数学本质
- 11.3 分类树的分裂准则
- 11.4 信息理论
- 11.5 成本复杂性修枝
- 11.6 回归树
- 11.7 C5.0算法
- 11.8 决策树的优缺点
- 11.9 回归树的R案例
- 11.10 分类树的R案例
- 习题
- 第12章 随机森林
- 12.1 集成学习
- 12.2 装袋法
- 12.3 装袋法的原理
- 12.4 袋外误差
- 12.5 随机森林
- 12.6 变量重要性
- 12.7 偏依赖图
- 12.8 回归问题的随机森林R案例
- 12.9 分类问题的随机森林R案例
- 习题
- 第13章 提升法
- 13.1 自适应提升法
- 13.2 AdaBoost的统计解释
- 13.3 回归问题的提升法
- 13.4 回归问题的其他损失函数
- 13.5 梯度提升法
- 13.6 二分类问题的逻辑损失函数
- 13.7 多分类问题的交叉熵损失函数
- 13.8 随机梯度提升
- 13.9 回归提升树的R案例
- 13.10 二分类提升树的R案例
- 13.11 多分类提升树的R案例
- 13.12 XGBoost算法
- 附录
- 习题
- 第14章 支持向量机
- 14.1 分离超平面
- 14.2 最大间隔分类器
- 14.3 软间隔分类器
- 14.4 软间隔分类器的统计解释
- 14.5 支持向量机的含义
- 14.6 多分类问题的支持向量机
- 14.7 支持向量回归
- 14.8 支持向量机的优缺点
- 14.9 支持向量机的R案例：模拟数据
- 14.10 支持向量机的二分类R案例
- 14.11 支持向量机的多分类R案例
- 14.12 支持向量回归的R案例
- 习题
- 第15章 人工神经网络
- 15.1 人工神经网络的思想
- 15.2 感知机
- 15.3 神经网络的模型
- 15.4 神经网络的激活函数
- 15.5 通用函数近似器
- 15.6 神经网络的损失函数
- 15.7 神经网络的算法
- 15.8 神经网络的小批量训练
- 15.9 神经网络的正则化
- 15.10 卷积神经网络
- 15.11 回归问题的神经网络R案例
- 15.12 二分类问题的神经网络R案例
- 15.13 多分类问题的神经网络R案例
- 习题
- 第16章 主成分分析
- 16.1 总体中的主成分分析
- 16.2 方差分解
- 16.3 样本中的主成分分析
- 16.4 主成分分析的应用
- 16.5 主成分分析的R案例
- 16.6 主成分回归的R案例
- 习题
- 第17章 聚类分析
- 17.1 K均值聚类的思想
- 17.2 K均值聚类的算法
- 17.3 如何选择K
- 17.4 分层聚类
- 17.5 基于相关系数的距离指标
- 17.6 K均值聚类的R案例
- 17.7 分层聚类的R案例
- 习题
- 第18章 数据科学的R语言
- 18.1 何为数据科学
- 18.2 管道算子
- 18.3 输入数据
- 18.4 数据清理
- 18.5 数据变换
- 18.6 高阶画图
- 18.7 机器学习的统一接口
- 习题
- 参考文献
如无法打开或下载资源，请在电脑端（xuanshu.hep.com.cn)进行下载操作。
相关图书
1