机器学习统计学 （ 影印版）

图书标准信息

• 作者 [印]普拉塔普·丹格迪 编
• 出版社 东南大学出版社
• 出版时间 2018-08
• 版次 1
• ISBN 9787564177553
• 定价 98.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

机器学习所涉及的复杂统计学知识困扰了很多开 发者。知晓统计学知识可以帮助你为给定的问题构建 强壮的机器学习优化模型。

  普拉塔普·丹格迪著的《机器学习统计学(影印 版)(英文版)》将教你机器学习所需的实现复杂统计 计算的相关内容，可以从中获得监督学习、无监督学 习、强化学习等背后的统计学知识。你将看到讨论机 器学习相关统计学内容的真实案例并熟悉它们。还能 学到用于实现建模、调参、回归、分类、密度采集、 向量处理、矩阵等的相关程序。

  学完本书，你会掌握机器学习所需的统计学知识 。并且能够将所学新技能应用于任何行业问题。

【目录】

Preface

Chapter 1: Journey from Statistics to Machine Learning

  Statistical terminology for model building and validation

  Machine learning

  Major differences between statistical modeling and machine learning

  Steps in machine learning model development and deployment

  Statistical fundamentals and terminology for model building andvalidation

  Bias versus variance trade-off

  Train and test data

  Machine learning terminology for model building and validation

  Linear regression versus gradient descent

  Machine learning losses

  When to stop tuning machine learning models

  Train, validation, and test data

  Cross-validation

  Grid search

  Machine learning model overview

  Summary

Chapter 2: Parallelism of Statistics and Machine Learning

  Comparison between regression and machine learning models

  Compensating factors in machine learning models

  Assumptions of linear regression

  Steps applied in linear regression modeling

  Example of simple linear regression from first principles

  Example of simple linear regression using the wine quality data

  Example of multilinear regression - step-by-step methodology of model

  building

  Backward and forward selection

  Machine learning models - ridge and lasso regression

  Example of ridge regression machine learning

  Example of lasso regression machine learning model

  Regularization parameters in linear regression and ridge/lasso regression

  Summary

Chapter 3: Logistic Regression Versus Random Forest

  Maximum likelihood estimation

  Logistic regression - introduction and advantages

  Terminology involved in logistic regression

  Applying steps in logistic regression modeling

  Example of logistic regression using German credit data

  Random forest

  Example of random forest using German credit data

  Grid search on random forest

  Variable importance plot

  Comparison of logistic regression with random forest

  Summary

Chapter 4: Tree-Based Machine Learning Models

  Introducing decision tree classifiers

  Terminology used in decision trees

  Decision tree working methodology from first principles

  Comparison between logistic regression and decision trees

  Comparison of error components across various styles of models

  Remedial actions to push the model towards the ideal region

  HR attrition data example

  Decision tree classifier

  Tuning class weights in decision tree classifier

  Bagging classifier

  Random forest classifier

  Random forest classifier - grid search

  AdaBoost classifier

  Gradient boosting classifier

  Comparison between AdaBoosting versus gradient boosting

  Extreme gradient boosting - XGBoost classifier

  Ensemble of ensembles - model stacking

  Ensemble of ensembles with different types of classifiers

  Ensemble of ensembles with bootstrap samples using a single type of

  classifier

  Summary

Chapter 5: K-Nearest Neighbors and Naive Bayes

  K-nearest neighbors

  KNN voter example

  Curse of dimensionality

  Curse of dimensionality with 1D, 2D, and 3D example

  KNN classifier with breast cancer Wisconsin data example

  Tuning of k-value in KNN classifier

  Naive Bayes

  Probability fundamentals

  Joint probability

  Understanding Bayes theorem with conditional probability

  Naive Bayes classification

  Laplace estimator

  Naive Bayes SMS spam classification example

  Summary

Chapter 6: Support Vector Machines and Neural Networks

  Support vector machines working principles

  Maximum margin classifier

  Support vector classifier

  Support vector machines

  Kernel functions

  SVM multilabel classifier with letter recognition data example

  Maximum margin classifier - linear kernel

  Polynomial kernel

  RBF kernel

  Artificial neural networks -ANN

  Activation functions

  Forward propagation and backpropagation

  Optimization of neural networks

  Stochastic gradient descent - SGD

  Momentum

  Nesterov accelerated gradient - NAG

  Adagrad

  Adadelta

  RMSprop

  Adaptive moment estimation - Adam

  Limited-memory broyden-fletcher-goldfarb-shanno - L-BFGS

  optimization algorithm

  Dropout in neural networks

  ANN classifier applied on handwritten digits using scikit-learn

  Introduction to deep learning

  Solving methodology

  Deep learning software

  Deep neural network classifier applied on handwritten digits using Keras

  Summary

Chapter 7: Recommendation Engines

  Content-based filtering

  Cosine similarity

  Collaborative filtering

  Advantages of collaborative filtering over content-based filtering

  Matrix factorization using the alternating least squares algorithm for

  collaborative filtering

  Evaluation of recommendation engine model

  Hyperparameter selection in recommendation engines using grid search

  Recommendation engine application on movie lens data

  User-user similarity matrix

  Movie-movie similarity matrix

  Collaborative filtering using ALS

  Grid search on collaborative filtering

  Summary

Chapter 8: Unsupervised Learning

  K-means clustering

  K-means working methodology from first principles

  Optimal number of clusters and cluster evaluation

  The elbow method

  K-means clustering with the iris data example

  Principal component analysis - PCA

  PCA working methodology from first principles

  PCA applied on handwritten digits using scikit-learn

  Singular value decomposition - SVD

  SVD applied on handwritten digits using scikit-learn

  Deep auto encoders

  Model building technique using encoder-decoder architecture

  Deep auto encoders applied on handwritten digits using Keras

  Summary

Chapter 9: Reinforcement Learning

  Introduction to reinforcement learning

  Comparing supervised, unsupervised, and reinforcement learning in detail

  Characteristics of reinforcement learning

  Reinforcement learning basics

  Category 1 - value based

  Category 2 - policy based

  Category 3 - actor-critic

  Category 4 - model-free

  Category 5 - model-based

  Fundamental categories in sequential decision making

  Markov decision processes and Bellman equations

  Dynamic programming

  Algorithms to compute optimal policy using dynamic programming

  Grid world example using value and policy iteration algorithms with basic Python

  Monte Carlo methods

  Comparison between dynamic programming and Monte Carlo methods

  Key advantages of MC over DP methods

  Monte Carlo prediction

  The suitability of Monte Carlo prediction on grid-world problems

  Modeling Blackjack example of Monte Carlo methods using Python

  Temporal difference learning

  Comparison between Monte Carlo methods and temporal difference

  learning

  TD prediction

  Driving office example for TD learning

  SARSA on-policy TD control

  Q-learning - off-policy TD control

  Cliff walking example of on-policy and off-policy of TD control

  Applications of reinforcement learning with integration of machine

  learning and deep learning

  Automotive vehicle control - self-driving cars

  Google DeepMind's AlphaGo

  Robo soccer

  Further reading

  Summary

Index