网志栈编辑推荐
暂无
内容简介
当今各行业，尤其是互联网，数据规模越来越大，要从中有效地发现模式来提高生产力，用传统的方式已经几乎不可能，只能借助计算机来完成诸多使命。因此，机器学习这一新兴的学科变得越来越重要，它已经在搜索、推荐、数据挖掘等多个领域闪耀光芒。机器学习是一门交叉学科，内容涉及概率论、统计学、高等数学、计算机科学等多门学科。该学科致力于设计一种让计算机具有“学习”能力的算法，通过发现经验数据中隐藏的模式，实现对未知数据的预测。
大数据时代是机器学习最美好的时代，因为数据不再是问题，各类问题都可以收集到海量的数据。但是，对于很多人来说，这一门交叉学科本身却神秘而陌生，对于没有系统学习过相关基础学科的人来说尤其感到“高不可攀”。如今已出版的机器学习相关书籍中，很多都有这个特点：公式多，晦涩难懂。这让很多程序员出身的人望而却步。然而，在第一次读到本书的英文版时，译者就彻底相信：机器学习完全可以讲解得通俗易懂，让知识的传递实现“润物细无声”。
本书秉承的原则是：实践出真知，只要多动手，没有攻克不了的技术难题。因此作者预期的阅读对象是如电脑黑客般的人，要求对技术有发自内心的求知欲和好奇心，愿意自己动手而非纸上谈兵。全书精心选择了12个机器学习案例，由浅入深，面面俱到，既有基础知识（如数据分析），也有当前热门的社交网站推荐案例。书中的每一个案例都由作者娓娓道来，逐一剖析关键算法的代码，没有丝毫学究气息，触动每个机器学习初学者的内心最深处。
作者简介
暂无
目录
前言 ； ； ；
第1章 使用R语言 ； ； ；
R与机器学习 ； ； ；
第2章 数据分析 ； ； ；
分析与验证 ； ； ；
什么是数据 ； ； ；
推断数据的类型 ； ； ；
推断数据的含义 ； ； ；
数值摘要表 ； ； ；
均值、中位数、众数 ； ； ；
分位数 ； ； ；
标准差和方差 ； ； ；
可视化分析数据 ； ； ；
列相关的可视化 ； ； ；
第3章 分类：垃圾过滤 ； ； ；
非此即彼：二分类 ； ； ；
漫谈条件概率 ； ； ；
试写第一个贝叶斯垃圾分类器 ； ； ；
第4章 排序：智能收件箱 ； ； ；
次序未知时该如何排序 ； ； ；
按优先级给邮件排序 ； ； ；
实现一个智能收件箱 ； ； ；
第5章 回归模型：预测网页访问量 ； ； ；
回归模型简介
预测网页流量
定义相关性
第6章 正则化：文本回归
数据列之间的非线性关系：超越直线
避免过拟合的方法
文本回归
第7章 优化：密码破译
优化简介
岭回归
密码破译优化问题
第8章 PCA：构建股票市场指数
无监督学习
主成分分析
第9章 MDS：可视化地研究参议员相似性
基于相似性聚类
如何对美国参议员做聚类
第10章 kNN：推荐系统
k近邻算法
R语言程序包安装数据
第11章 分析社交图谱
社交网络分析
用黑客的方法研究Twitter的社交关系图数据
分析Twitter社交网络
第12章 模型比较
SVM：支持向量机
算法比较
参考文献
机器学习：实用案例解析（机器学习和数据挖掘领域的经典图书基础理论与实践完美的结合） pdf下载声明
本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
