机器学习与R语言（原书第2版） 内容简介

本书共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法——神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法；第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和GPU计算等技术。

机器学习与R语言（原书第2版） 目录

第1章 机器学习简介

1.1 机器学习的起源

1.2 机器学习的使用与滥用

1.2.1 机器学习的成功使用

1.2.2 机器学习的限制

1.2.3 机器学习的伦理方面

1.3 机器如何学习

1.3.1 数据存储

1.3.2 抽象化

1.3.3 一般化

1.3.4 评估

1.4 实践中的机器学习

1.4.1 输入数据的类型

1.4.2 机器学习算法的类型

1.4.3 为输入数据匹配算法

1.5 使用R进行机器学习

1.5.1 安装R添加包

1.5.2 载入和卸载R添加包

1.6 总结

第2章 数据的管理和理解

2.1 R数据结构

2.1.1 向量

2.1.2 因子

2.1.3 列表

2.1.4 数据框

2.1.5 矩阵和数组

2.2 用R管理数据

2.2.1 保存、载入和移除R数据结构

2.2.2 用CSV文件导入和保存数据

2.3 探索和理解数据

2.3.1 探索数据的结构

2.3.2 探索数值变量

2.3.3 探索分类变量

2.3.4 探索变量之间的关系

2.4 总结

第3章 懒惰学习——使用近邻分类

3.1 理解近邻分类

3.1.1 kNN算法

3.1.2 为什么kNN算法是懒惰的

3.2 例子——用KNN算法诊断乳腺癌

3.2.1 第1步——收集数据

3.2.2 第2步——探索和准备数据

3.2.3 第3步——基于数据训练模型

3.2.4 第4步——评估模型的性能

3.2.5 第5步——提高模型的性能

3.3 总结

第4章 概率学习——朴素贝叶斯分类

4.1 理解朴素贝叶斯

4.1.1 贝叶斯方法的基本概念

4.1.2 朴素贝叶斯算法

4.2 例子——基于贝叶斯算法的手机垃圾短信过滤

4.2.1 第1步——收集数据

4.2.2 第2步——探索和准备数据

4.2.3 第3步——基于数据训练模型

4.2.4 第4步——评估模型的性能

4.2.5 第5步——提高模型的性能

4.3 总结

第5章 分而治之——应用决策树和规则进行分类

5.1 理解决策树

5.1.1 分而治之

5.1.2 C5.0决策树算法

5.2 例子——使用C5.0决策树识别高风险银行贷款

5.2.1 第1步——收集数据

5.2.2 第2步——探索和准备数据

5.2.3 第3步——基于数据训练模型

5.2.4 第4步——评估模型的性能

5.2.5 第5步——提高模型的性能

5.3 理解分类规则

5.3.1 独立而治之

5.3.2 1R算法

5.3.3 RIPPER算法

5.3.4 来自决策树的规则

5.3.5 什么使决策树和规则贪婪

5.4 例子——应用规则学习算法识别有毒的蘑菇

5.4.1 第1步——收集数据

5.4.2 第2步——探索和准备数据

5.4.3 第3步——基于数据训练模型

5.4.4 第4步——评估模型的性能

5.4.5 第5步——提高模型的性能

5.5 总结

第6章 预测数值型数据——回归方法

6.1 理解回归

6.1.1 简单线性回归

6.1.2 普通最小二乘估计

6.1.3 相关性

6.1.4 多元线性回归

6.2 例子——应用线性回归预测医疗费用

6.2.1 第1步——收集数据

6.2.2 第2步——探索和准备数据

6.2.3 第3步——基于数据训练模型

6.2.4 第4步——评估模型的性能

6.2.5 第5步——提高模型的性能

6.3 理解回归树和模型树

6.4 例子——用回归树和模型树估计葡萄酒的质量

6.4.1 第1步——收集数据

6.4.2 第2步——探索和准备数据

6.4.3 第3步——基于数据训练模型

6.4.4 第4步——评估模型的性能

6.4.5 第5步——提高模型的性能

6.5 总结

第7章 黑箱方法——神经网络和支持向量机

7.1 理解神经网络

7.1.1 从生物神经元到人工神经元

7.1.2 激活函数

7.1.3 网络拓扑

7.1.4 用后向传播训练神经网络

7.2 例子——用人工神经网络对混凝土的强度进行建模

7.2.1 第1步——收集数据

7.2.2 第2步——探索和准备数据

7.2.3 第3步——基于数据训练模型

7.2.4 第4步——评估模型的性能

7.2.5 第5步——提高模型的性能

7.3 理解支持向量机

7.3.1 用超平面分类

7.3.2 对非线性空间使用核函数

7.4 例子——用支持向量机进行光学字符识别

7.4.1 第1步——收集数据

7.4.2 第2步—探索和准备数据

7.4.3 第3步——基于数据训练模型

7.4.4 第4步——评估模型的性能

7.4.5 第5步——提高模型的性能

7.5 总结

第8章 探寻模式——基于关联规则的购物篮分析

8.1 理解关联规则

8.1.1 用于关联规则学习的Apriori算法

8.1.2 度量规则兴趣度——支持度和置信度

8.1.3 用Apriori原则建立规则

8.2 例子——用关联规则确定经常一起购买的食品杂货

8.2.1 第1步——收集数据

8.2.2 第2步——探索和准备数据

8.2.3 第3步——基于数据训练模型

8.2.4 第4步——评估模型的性能

8.2.5 第5步——提高模型的性能

8.3 总结

第9章 寻找数据的分组——k均值聚类

9.1 理解聚类

9.1.1 聚类——一种机器学习任务

9.1.2 k均值聚类算法

9.2 例子——用k均值聚类探寻青少年市场细分

9.2.1 第1步——收集数据

9.2.2 第2步——探索和准备数据

9.2.3 第3步——基于数据训练模型

9.2.4 第4步——评估模型的性能

9.2.5 第5步——提高模型的性能

9.3 总结

第10章 模型性能的评价

10.1 度量分类方法的性能

10.1.1 在R中处理分类预测数据

10.1.2 深入探讨混淆矩阵

10.1.3 使用混淆矩阵度量性能

10.1.4 准确率之外的其他性能度量指标

10.1.5 性能权衡的可视化

10.2 评估未来的性能

10.3 总结

第11章 提高模型的性能

11.1 调整多个模型来提高性能

11.2 使用元学习来提高模型的性能

11.2.1 理解集成学习

11.2.2 bagging

11.2.3 Boosting

11.2.4 随机森林

11.3 总结

第12章 其他机器学习主题

12.1 分析专用文件和数据库

12.1.1 读／写Excel、SAS、SPSS和Stata文件

12.1.2 查询SQL数据库中的数据

12.2 处理在线数据和服务

12.2.1 下载网页的所有文本

12.2.2 从网页爬取数据

12.3 处理特定领域的数据

12.3.1 分析生物信息学数据

12.3.2 分析和可视化网络数据

12.4 提高R语言的性能

12.4.1 处理非常大的数据集

12.4.2 使用并行处理来加快学习过程

12.4.3 GPU计算

12.4.4 部署优化的学习算法

12.5 总结

机器学习与R语言（原书第2版） 精彩文摘

1．1 机器学习的起源

自出生以来，我们就和各种数据打交道。我们身体的感官——眼睛、耳朵、鼻子、舌头以及神经一直被数据包围着，大脑把它们转化成视觉、听觉、嗅觉、味觉和感知。通过语言的交流，我们得以和他人分享这些感受。

从书面语言出现，人们的观测就被记录下来。猎人监视动物群体的移动，早期的宇航员记录行星和恒星的模式，城市记录税收、出生和死亡情况。现在，由于不断发展的计算机数据库的应用，这些观察的过程逐步自动化，记录也变得系统化。