正版 R语言机器学习 Brett Lantz 著 东南大学出版社 97875641895

Preface Chapter I-Introducing Machine The origins of machine learning Uses and abuses of machine learning Machine learning successes The Iimits of machine Iearning Machine learning ethics How machines Iearn Data storage Abstraction GeneraIizatiOn Evaluation Machine learning in practice Types ofinput data Types of machine learning algorithms Matching input data to algorithms Machine learning with R Installing R packages Loading and unloading R packages Installing RStudio Summary Chapter 2-Managing and Understanding Data R data structures Vectors Factors Lists Data frames Matrices and arrays Managi ng data with R Saving，loading，and removing R data structures Importing and saving data frOm CSV files Exploring and understanding data Exploring the structure of data Exploring numeric variables Measuring the central tendency-mean and median Measuring spread—-quartiles and the five-number summary Visualizing numeric variables-boxplots Visualizing numeric variables-histograms Understanding numeric data—uniform and normal distributions Measuring spread-variance and standard deviation Exploring categorical variables Measuring the central tendency-the mode Exploring relationships between variables Visualizing relationships-scatterplots Examining relationships-two--way cross_·tabulations Summary Chapter 3-Lazy Learning-Classification Using Nearest Neiors Understanding nearest neior classification The k．NN algorithm Measuring similarity with distance Choosing an appropriate k Preparing data for use with k-NN Why is the k-NN algorithm lazy? Example—diagnosing breast cancer with the k-NN algorithm Step 1-collecting data Step 2-exploring and preparing the data Transformation-normalizing numeric data Data preparation-creating training and test datasets Step 3-training a modeI on the data Step 4-evaluating modeI performance Step 5-improving model performance Transformation-Z．．score standardization Testing alternative values of k Summary Chapter 4-Probabilistic Learning-—Classification Using …… Chapter 5-Divide and Conquer-Classification Using Decision Chapter 6-Forecasting Numeric Data-Regression Methods Chapter 7-Black Box Methods-Neural Newworks and Support Chapter 8-Flnding Patterns-Market Basket Analysis Using Chapter 9-Finding Groups of Data-Clustering with k-means Chapter 10-Evaluationg Model Perforance Chapter 11-Improving Model Performance Chapter 12-Speizad Machine Learning Topics Other Books You Enjoy Index

机器学习的核心是将数据转换为可操作的知识。R语言提供了一组强大的机器学习方法，可以轻松且快速地从数据中获取相关信息。 本书第3版提供了具备良好可读性的实践指南，帮助你将机器学习应用于实际问题。无论你是经验丰富的R语言用户还是刚接触这门语言的新手。从Brett Lantz这里都可以学到发掘关键见解、做出新的预测并可视化你的发现所需的一切。 新的这本R语言数据科学的经典之作第3版提供了更新且更好的库、关于机器学习中的伦理和偏差问题的建议以及深度学习的介绍。在数据中寻找强大的新见解，通过R语言揭示机器学习。 你将从本书中学到： 探索机器学习的起源以及计算机究竟是如何通过实例进行学习的； 使用R语言为机器学习工作准备数据； 使用很近邻居和贝叶斯方法对重要结果进行分类； 使用决策树、规则和支持向量机预测未来事件； 使用回归方法预测数字数据并估算财务价值； 用人工神经网络——深度学习的基础来为复杂过程建模； 避免机器学习模型中的偏差； 评估模型并提高其性能； 将R连接到SQL数据库以及新兴大数据技术，例如Spark、H2O和TensorFlow。

机器学习的核心是将数据转换为可操作的知识。R语言提供了一组强大的机器学习方法，可以轻松且快速地从数据中获取相关信息。 这本R语言数据科学经典之作的第3版，提供了更新且更好的库、关于机器学习中的伦理和偏差问题的建议以及深度学习的介绍。在数据中寻找强大的新见解，通过R语言揭示机器学习。 你将从本书中学到： 探索机器学习的起源以及计算机究竟是如何通过实例进行学习的 使用R语言为机器学习工作准备数据 使用*近邻和贝叶斯方法对重要结果进行分类 使用决策树、规则和支持向量机预测未来事件 使用回归方法预测数字数据并估算财务价值 用人工神经网络——深度学习的基础来为复杂过程建模 避免机器学习模型中的偏差 评估模型并提高其性能 将R连接到SQL数据库以及新兴大数据技术，例如Spark、H20和TensorFlow