书籍封面
书籍目录
封面
数字版权声明
作者简介
扉页
版权页
前言
第1版前言
目录
第1章 成功之路
1.1 流程
1.2 业务理解
1.2.1 确定业务目标
1.2.2 现状评估
1.2.3 确定分析目标
1.2.4 建立项目计划
1.3 数据理解
1.4 数据准备
1.5 建模
1.6 评价
1.7 部署
1.8 算法流程图
1.9 小结
第2章 线性回归：机器学习基础技术
2.1 单变量回归
2.2 多变量线性回归
2.2.1 业务理解
2.2.2 数据理解和数据准备
2.2.3 模型构建与模型评价
2.3 线性模型中的其他问题
2.3.1 定性特征
2.3.2 交互项
2.4 小结
第3章 逻辑斯蒂回归与判别分析
3.1 分类方法与线性回归
3.2 逻辑斯蒂回归
3.2.1 业务理解
3.2.2 数据理解和数据准备
3.2.3 模型构建与模型评价
3.3 判别分析概述
3.4 多元自适应回归样条方法
3.5 模型选择
3.6 小结
第4章 线性模型中的高级特征选择技术
4.1 正则化简介
4.1.1 岭回归
4.1.2 LASSO
4.1.3 弹性网络
4.2 商业案例
4.2.1 业务理解
4.2.2 数据理解和数据准备
4.3 模型构建与模型评价
4.3.1 最优子集
4.3.2 岭回归
4.3.3 LASSO
4.3.4 弹性网络
4.3.5 使用glmnet进行交叉验证
4.4 模型选择
4.5 正则化与分类问题
4.6 小结
第5章 更多分类技术：K最近邻与支持向量机
5.1 K最近邻
5.2 支持向量机
5.3 商业案例
5.3.1 业务理解
5.3.2 数据理解和数据准备
5.3.3 模型构建与模型评价
5.3.4 模型选择
5.4 SVM中的特征选择
5.5 小结
第6章 分类回归树
6.1 本章技术概述
6.1.1 回归树
6.1.2 分类树
6.1.3 随机森林
6.1.4 梯度提升
6.2 商业案例
6.2.1 模型构建与模型评价
6.2.2 模型选择
6.2.3 使用随机森林进行特征选择
6.3 小结
第7章 神经网络与深度学习
7.1 神经网络介绍
7.2 深度学习简介
7.3 业务理解
7.4 数据理解和数据准备
7.5 模型构建与模型评价
7.6 深度学习示例
7.6.1 H2O背景介绍
7.6.2 将数据上载到H2O平台
7.6.3 建立训练数据集和测试数据集
7.6.4 模型构建
7.7 小结
第8章 聚类分析
8.1 层次聚类
8.2 K均值聚类
8.3 果瓦系数与围绕中心的划分
8.3.1 果瓦系数
8.3.2 PAM
8.4 随机森林
8.5 业务理解
8.6 数据理解与数据准备
8.7 模型构建与模型评价
8.7.1 层次聚类
8.7.2 K均值聚类
8.7.3 果瓦系数和PAM
8.7.4 随机森林与PAM
8.8 小结
第9章 主成分分析
9.1 主成分简介
9.2 业务理解
9.3 模型构建与模型评价
9.3.1 主成分抽取
9.3.2 正交旋转与解释
9.3.3 根据主成分建立因子得分
9.3.4 回归分析
9.4 小结
第10章 购物篮分析、推荐引擎与序列分析
10.1 购物篮分析简介
10.2 业务理解
10.3 数据理解和数据准备
10.4 模型构建与模型评价
10.5 推荐引擎简介
10.5.1 基于用户的协同过滤
10.5.2 基于项目的协同过滤
10.5.3 奇异值分解和主成分分析
10.6 推荐系统的业务理解
10.7 推荐系统的数据理解与数据准备
10.8 推荐系统的建模与评价
10.9 序列数据分析
10.10 小结
第11章 创建集成多类分类
11.1 集成模型
11.2 业务理解与数据理解
11.3 模型评价与模型选择
11.4 多类分类
11.5 业务理解与数据理解
11.6 模型评价与模型选择
11.6.1 随机森林
11.6.2 岭回归
11.7 MLR集成模型
11.8 小结
第12章 时间序列与因果关系
12.1 单变量时间序列分析
12.2 业务理解
12.3 模型构建与模型评价
12.3.1 单变量时间序列预测
12.3.2 检查因果关系
12.4 小结
第13章 文本挖掘
13.1 文本挖掘框架与方法
13.2 主题模型
13.3 业务理解
13.4 模型构建与模型评价
13.4.1 词频分析与主题模型
13.4.2 其他定量分析
13.5 小结
第14章 在云上使用R语言
14.1 创建AWS账户
14.1.1 启动虚拟机
14.1.2 启动Rstudio
14.2 小结
附录 R语言基础
图书推荐
连接图灵
看完了
没有回复内容