R语言机器学习第2版（影印版）

图书标准信息

• 作者 [美]布雷特·兰茨 著
• 出版社 东南大学出版社
• 出版时间 2017-04
• 版次 2
• ISBN 9787564170714
• 定价 87.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 426页
• 字数 553千字
• 正文语种 英语

【内容简介】

　　《R语言机器学习（第2版 影印版）》与时俱进。携新的库和现代的编程思维为你丝丝入扣地介绍了专业数据科学必不可少的技能。不用再惧怕理论知识。书中提供了编写算法和处理数据所需的关键的实用知识，只要有基本的经验就可以了。
　　你可以在书中找到洞悉复杂的数据所需的全部分析工具，还能学到如何选择正确的算法来解决特定的问题。通过与各种真实问题的亲密接触，你将学会如何应用机器学习方法来处理常见的任务，包括分类、预测、市场分析以及聚类。
　　目标读者可能你对机器学习多少有一点了解，但是从没用过R语言，或者是知道些R语言，但是没接触过机器学习。不管是哪一种情况，《R语言机器学习（第2版 影印版）》都能够帮助你快速上手。如果熟悉一些编程概念自然是好的。不过并不要求之前有编程经验。
　　你将从《R语言机器学习（第2版 影印版）》中学到什么驾驭R语言的威力，使用真实的数据科学应用构建常见的机器学习算法。
　　学习利用R语言技术对待分析数据进行清理和预处理并可视化处理结果。
　　了解不同类型的机器学习模型，选择符合数据处理需求的*佳模型，解决数据分析难题。
　　使用贝叶斯算法和最近邻算法分类数据。
　　使用R语言预测数值来构建决策树、规则以及支持向量机。
　　使用线性回归预测数值，使用神经网络建模数据。
　　对机器学习模型性能进行评估和改进。
　　学习专用于文本挖掘、社交网络数据、大数据等的机器学习技术。

【作者简介】

　　布雷特·兰茨（Brett Lantz），在应用创新的数据方法来理解人类的行为方面有10余年经验。他最初是一名社会学家，在学习一个青少年社交网站分布的大型数据库时，他就开始陶醉于机器学习。从那时起，他致力于移动电话、医疗账单数据和公益活动等交叉学科的研究。

【目录】

Preface
Chapter 1： Introducing Machine Learning
The origins of machine learning
Uses and abuses of machine learning
Machine learning successes
The limits of machine learning
Machine learning ethics
How machines learn
Data storage
Abstraction
Generalization
Evaluation
Machine learning in practice
Types of input data
Types of machine learning algorithms
Matching input data to algorithms
Machine learning with R
Installing R packages
Loading and unloading R packages
Summary

Chapter 2： Managing and Understanding Data
R data structures
Vectors
Factors
Lists
Data frames
Matrixes and arrays
Managing 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 Neighbors
Understanding nearest neighbor 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 model on the data
Step 4 - evaluating model performance
Step 5 -improving model performance
Transformation - z-score standardization
Testing alternative values of k
Summary

Chapter 4： Probabilistic Learning - Classification Using Naive Bayes
Understanding Naive Bayes
Basic concepts of Bayesian methods
Understanding probability
Understanding joint probability
Computing conditional probability with Bayes' theorem
The Naive Bayes algorithm
Classification with Naive Bayes
The Laplace estimator
Using numeric features with Naive Bayes
Example - filtering mobile phone spam with the
Naive Bayes algorithm
Step 1 - collecting data
Step 2 - exploring and preparing the data
Data preparation - cleaning and standardizing text data
Data preparation - splitting text documents into words
Data preparation - creating training and test datasets
Visualizing text data - word clouds
Data preparation - creating indicator features for frequent words
Step 3 - training a model on the data
Step 4 - evaluating model performance
Step 5 -improving model performance
Summary

Chapter 5： Divide and Conquer - Classification Using Decision Trees and Rules
Chapter 6： Forecasting Numeric Data - Regression Methods
Chapter 7： Black Box Methods - Neural Networks and Support Vector Machines
Chapter 8： Finding Patterns - Market Basket Analysis Using Association Rules
Chapter 9： Finding Groups of Data - Clustering with k-means
Chapter 10： Evaluating Model Performance
Chapter 11： Improving Model Performance
Chapter 12： Specialized Machine Learning Topics
Index