高級機器學習算法實戰(zhàn)

目錄
譯者序
原書前言
作者簡介
技術評審員簡介
第1章 機器學習基礎
1.1回歸和分類
1.1.1訓練數(shù)據(jù)和測試數(shù)據(jù)
1.1.2對于驗證數(shù)據(jù)集的需求
1.1.3精度測量
1.1.4AUC值和ROC曲線
1.2無監(jiān)督學習 //
1.3建立模型的典型方法
1.3.1數(shù)據(jù)從哪里獲取
1.3.2需要獲取哪些數(shù)據(jù)
1.3.3數(shù)據(jù)預處理
1.3.4特征交互
1.3.5特征生成
1.3.6建立模型
1.3.7模型生產(chǎn)化
1.3.8構(gòu)建、部署、測試和迭代
1.4總結(jié)
第2章 線性回歸
2.1線性回歸介紹
2.1.1變量：自變量和因變量
2.1.2相關性
2.1.3因果關系
2.2簡單線性回歸與多元線性回歸
2.3形式化簡單線性回歸
2.3.1偏差項
2.3.2斜率
2.4求解一個簡單線性回歸
2.5求解簡單線性回歸更通用的方法
2.5.1平方差總和小化
2.5.2求解公式
2.6簡單線性回歸的工作細節(jié)
2.6.1讓簡單線性回歸復雜化一點
2.6.2達到優(yōu)系數(shù)值
2.6.3方均根誤差介紹
2.7在R中運行簡單線性回歸
2.7.1殘差
2.7.2系數(shù)
2.7.3殘差（殘余偏差）的SSE
2.7.4零偏差
2.7.5R平方
2.7.6F統(tǒng)計量
2.8在Python中運行簡單線性回歸
2.9簡單線性回歸的常見缺陷
2.10多元線性回歸
2.10.1多元線性回歸的工作細節(jié)
2.10.2R中的多元線性回歸
2.10.3Python中的多元線性回歸
2.10.4模型中的非重要變量問題
2.10.5多重共線性問題
2.10.6多重共線性的數(shù)學直覺
2.10.7有關多元線性回歸的其他注意事項
2.11線性回歸的假設
2.12總結(jié)
第3章 對數(shù)幾率回歸
3.1為什么線性回歸對離散結(jié)果無效
3.2一個更普遍的解決方案：Sigmoid曲線
3.2.1形式化Sigmoid曲線（Sigmoid激活）
3.2.2從Sigmoid曲線到對率回歸
3.2.3對率回歸的解釋
3.2.4對率回歸的工作細節(jié)
3.2.5估算誤差
3.2.6小二乘法與線性假設
3.3在R中運行對率回歸
3.4在Python中運行對率回歸
3.5確定興趣的度量
3.6常見陷阱
3.6.1預測和事件發(fā)生之間的時間
3.6.2自變量中的異常值
3.7總結(jié)
第4章 決策樹
4.1決策樹的構(gòu)成部分
4.2存在多個離散自變量的分類決策樹
4.2.1信息增益
4.2.2計算不確定性：熵
4.2.3計算信息增益
4.2.4原始數(shù)據(jù)集中的不確定性
4.2.5衡量不確定性的改善
4.2.6哪些特定值進入左側(cè)或右側(cè)節(jié)點
4.2.7分裂過程何時停止
4.3連續(xù)自變量的分類決策樹
4.4有多個自變量時的分類決策樹
4.5存在連續(xù)自變量和離散自變量時的分類決策樹
4.6如果響應變量是連續(xù)的怎么辦
4.6.1連續(xù)因變量與多個連續(xù)自變量
4.6.2連續(xù)因變量與離散自變量
4.6.3連續(xù)因變量與離散、連續(xù)自變量
4.7在R中實現(xiàn)決策樹
4.8在Python中實現(xiàn)決策樹
4.9創(chuàng)建樹的常見技術
4.10可視化樹的構(gòu)建
4.11異常值對決策樹的影響
4.12總結(jié)
第5章 隨機森林
5.1一個隨機森林的場景
5.1.1Bagging
5.1.2隨機森林的工作細節(jié)
5.2在R中實現(xiàn)隨機森林
5.2.1隨機森林中的參數(shù)調(diào)整
5.2.2樹的深度對AUC的影響
5.3在Python中實現(xiàn)隨機森林
5.4總結(jié)
第6章 梯度提升機
6.1梯度提升機介紹
6.2GBM的工作細節(jié)
6.3收縮率
6.4AdaBoost
6.4.1AdaBoost理論
6.4.2AdaBoost的工作細節(jié)
6.5GBM的附加功能
6.6在Python中實現(xiàn)GBM
6.7在R中實現(xiàn)GBM
6.8總結(jié)
第7章 人工神經(jīng)網(wǎng)絡
7.1神經(jīng)網(wǎng)絡的結(jié)構(gòu)
7.2訓練神經(jīng)網(wǎng)絡的工作細節(jié)
7.2.1前向傳播
7.2.2應用激活函數(shù)
7.2.3反向傳播
7.2.4計算反向傳播
7.2.5隨機梯度下降
7.2.6深入了解梯度下降
7.2.7為什么要有學習率
7.3批量訓練
7.3.1Softmax的概念
7.4不同的損耗優(yōu)化函數(shù)
7.4.1縮放數(shù)據(jù)集
7.5在Python中實現(xiàn)神經(jīng)網(wǎng)絡
7.6利用正則化避免過擬合
7.7將權重分配給正則化項
7.8在R中實現(xiàn)神經(jīng)網(wǎng)絡
7.9總結(jié)
第8章 Word2vec
8.1手工構(gòu)建詞向量
8.2構(gòu)建詞向量的方法
8.3Word2vec模型中需要注意的問題
8.3.1常用詞
8.3.2負采樣
8.4在Python中實現(xiàn)Word2vec
8.5總結(jié)
第9章 卷積神經(jīng)網(wǎng)絡
9.1傳統(tǒng)神經(jīng)網(wǎng)絡的問題
9.1.1場景1
9.1.2場景2
9.1.3場景3
9.1.4場景4
9.2了解CNN中的卷積
9.2.1從卷積到激活
9.2.2從卷積激活到池化
9.2.3卷積和池化有什么幫助
9.3使用代碼創(chuàng)建CNN
9.4CNN的工作細節(jié)
9.5深入研究卷積/內(nèi)核
9.6從卷積和池化到扁平化：完全連接層
9.6.1從一個完全連接層到另一個完全連接層
9.6.2從完全連接層到輸出層
9.7連接點：前饋網(wǎng)絡
9.8CNN的其他細節(jié)
9.9CNN中的反向傳播
9.10將各層放在一起
9.11數(shù)據(jù)增強
9.12在R中實現(xiàn)CNN
9.13總結(jié)
第10章 遞歸神經(jīng)網(wǎng)絡
10.1理解架構(gòu)
10.2RNN的解釋
10.3RNN的工作細節(jié)
10.3.1時間步驟1
10.3.2時間步驟2
10.3.3時間步驟3
10.4實現(xiàn)RNN:SimpleRNN
10.4.1編譯模型
10.4.2驗證RNN的輸出
10.5實現(xiàn)RNN：生成文本
10.6RNN中的嵌入層
10.7傳統(tǒng)RNN的問題
10.7.1梯度消失問題
10.7.2梯度爆炸問題
10.8LSTM
10.9在keras中實現(xiàn)基本LSTM
10.10實現(xiàn)LSTM進行情感分類
10.11在R中實現(xiàn)RNN
10.12總結(jié)
第11章 聚類
11.1聚類介紹
11.1.1構(gòu)建用于性能比較的商店簇
11.1.2理想聚類
11.1.3在沒有聚類和過多聚類之間取得平衡：k均值聚類
11.2聚類過程
11.3k均值聚類算法的工作細節(jié)
11.3.1k均值算法在數(shù)據(jù)集上的應用
11.3.2k均值聚類算法的性質(zhì)
11.4在R中實現(xiàn)k均值聚類
11.5在Python中實現(xiàn)k均值聚類
11.6主要指標的意義
11.7確定優(yōu)的k
11.8自上向下與自下向上的聚類
11.8.1層次聚類
11.8.2層次聚類的主要缺點
11.9k均值聚類的行業(yè)使用案例
11.10總結(jié)
第12章 主成分分析
12.1PCA的直觀理解
12.2PCA的工作細節(jié)
12.3在PCA中縮放數(shù)據(jù)
12.4將PCA擴展到多變量
12.5在R中實現(xiàn)PCA
12.6在Python中實現(xiàn)PCA
12.7將PCA應用于MNIST
12.8總結(jié)
第13章 推薦系統(tǒng)
13.1了解k近鄰
13.2基于用戶的協(xié)同過濾的工作細節(jié)
13.2.1歐氏距離
13.2.2余弦相似度
13.3基于項目的協(xié)同過濾
13.4在R中實現(xiàn)協(xié)同過濾
13.5在Python中實現(xiàn)協(xié)同過濾
13.6矩陣分解的工作細節(jié)
13.7在Python中實現(xiàn)矩陣分解
13.8在R中實現(xiàn)矩陣分解
13.9總結(jié)
第14章 在云中實現(xiàn)算法
14.1谷歌云平臺
14.2微軟Azure
14.3亞馬遜網(wǎng)絡服務
14.4將文件傳輸?shù)皆茖嵗?
14.5從本地計算機運行實例Jupyter Notebook
14.6在實例上安裝R
14.7總結(jié)
附錄 Excel、R和Python基礎
A.1 Excel基礎
A.2 R語言基礎
A.3 Python基礎