商用机器学习：数据科学实践

作者简介

译者和审校者简介

译者序

前言

第1章　引言 / 1

1.1　关于本书及相关材料 / 4

1.2　机器学习分类 / 5

1.3　验证和测试 / 7

1.4　数据清洗 / 14

1.5　贝叶斯定理 / 17

第2章　无监督学习 / 23

2.1　特征缩放 / 24

2.2　k-均值算法 / 25

2.3　设置k值 / 28

2.4　维度灾难 / 31

2.5　国家风险 / 32

2.6　其他聚类方法 / 39

2.7　主成分分析 / 41

第3章　监督学习：线性回归 / 49

3.1　线性回归：单特征 / 50

3.2　线性回归：多特征 / 52

3.3　分类特征 / 54

3.4　正则化 / 55

3.5　岭回归 / 56

3.6　套索回归 / 61

3.7　弹性网络回归 / 64

3.8　房价数据模型结果 / 65

3.9　逻辑回归 / 71

3.10　逻辑回归的准确性 / 72

3.11　信贷决策中的运用 / 74

3.12　k-近邻算法 / 80

第4章　监督学习：决策树 / 84

4.1　决策树的本质 / 85

4.2　信息增益测度 / 86

4.3　信息决策应用 / 88

4.4　朴素贝叶斯分类器 / 94

4.5　连续目标变量 / 99

4.6　集成学习 / 102

第5章　监督学习：支持向量机 / 108

5.1　线性SVM分类 / 108

5.2　关于软间隔的修改 / 115

5.3　非线性分离 / 117

5.4　关于连续变量的预测 / 119

第6章　监督学习：神经网络 / 125

6.1　单层神经网络 / 125

6.2　多层神经网络 / 129

6.3　梯度下降算法 / 131

6.4　梯度下降算法的变形 / 136

6.5　迭代终止规则 / 138

6.6　应用于衍生产品 / 139

6.7　卷积神经网络 / 140

6.8　递归神经网络 / 142

附录6A　反向传播算法 / 146

第7章　强化学习 / 148

7.1　多臂老虎机问题 / 149

7.2　环境变化 / 156

7.3　Nim游戏博弈 / 158

7.4　时序差分学习 / 162

7.5　深度Q学习 / 164

7.6　应用 / 165

第8章　社会问题 / 170

8.1　数据隐私 / 171

8.2　偏见 / 172

8.3　道德伦理 / 174

8.4　透明度 / 176

8.5　对抗机器学习 / 177

8.6　法律问题 / 178

8.7　人类与机器 / 179

部分习题答案 / 182

术语表 / 198