中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習全解(R語言版) 版權信息
- ISBN：9787115641465
- 條形碼：9787115641465 ; 978-7-115-64146-5
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習全解(R語言版) 本書特色
1.本書系統性地剖析了機器學習的內涵，幫助讀者掌握機器學習的核心要義。書中案例的可操作性、可模仿性極好，書中的代碼示例易學易上手。 2.本書基于R語言講解，書中介紹了一系列tidyverse的包，通過流行的R包幫助讀者高效率實現機器學習，掌握典型的機器學習算法。 基于R語言講解機器學習的書并不少見，但是這本書非常值得推薦！原因有三：**，整本書的內容框架非常好，圍繞項目實操講解理論與實踐；第二，可操作性、可模仿性極好，書中的代碼示例易學易上手；第三，作者理論功底扎實，將特征工程、重采樣、集成學習等前沿方法囊括其中。 ——王漢生 北京大學光華管理學院教授，“狗熊會”(數據科學在線學習平臺)創始人 這是一本實用的機器學習入門圖書，它以 R 語言為工具，系統介紹了機器學習的基本概念、算法和模型應用。本書案例豐富、代碼清晰易懂，適合對機器學習感興趣的初學者和希望提高數據分析技能的專業人士閱讀參考。 ——范向偉 和鯨科技 CEO 本書通過R語言及其流行的擴展包深入淺出地展現了機器學習的基礎知識和實踐方法，還通過豐富的示例展現了機器學習的重要主題。推薦數據科學和科研領域的相關讀者閱讀本書，借此快速了解R語言機器學習的基本方法和框架。 ——任坤 微軟MVP，R開源社區的積極貢獻者，《R語言編程指南》作者本書基于 R 語言講解機器學習，極大地簡化了建模過程，降低了統計學專業知識的門檻。同時將機器學習中的模型選擇、參數調優、模型可解釋性、集成學習等重點結合豐富的示例及相應的代碼進行生動的講解，為初學者快速入門機器學習提供了指引。 ——張丹 微軟MVP，《R的極客理想》系列圖書作者本書在內容編排上不落窠臼，圍繞機器學習任務流程進行了深入淺出的歸納演繹，并借助實踐案例展示了當下流行的R語言機器學習框架，非常適合對機器學習及R語言編程感興趣的讀者閱讀參考！ ——張敬信 哈爾濱商業大學副教授，R 語言編程》作者在人工智能時代，機器學習已成為各領域科學研究人員和數據分析從業者的核心競爭力。黃天元博士的這本作品恰逢其時。本書全面介紹了機器學習的基本知識、R 語言編程的相關技巧、機器學習的主流 R 語言工具包，并輔以多個實際案例，兼顧理論講解和實踐應用，非常值得一讀！ ——包寒吳霜 華東師范大學心理與認知科學學院助理教授，R包資深開發者在眾多厚重的學術著作中，這本書以其獨特的輕薄姿態脫穎而出。黃博士以其精湛的筆觸，將機器學習的深邃理論與R語言的實用操作巧妙融合，處處都體現了他的教學智慧和對知識的精準把握。這本書不僅適合初學者快速上手，也適合希望高效掌握機器學習精髓的讀者閱讀。作為黃天元博士的導師，我為擁有這樣杰出的學生而感到驕傲！ ——趙斌 復旦大學生命科學學院教授 本書為初學者和進階者提供了深入了解機器學習的途徑。作者以清晰易懂的方式介紹了機器學習的基本概念和常見算法，并結合R語言展開實踐，幫助讀者無縫銜接理論與實踐。這不僅是一本學習機器學習的實用指南，也是一本掌握R語言數據分析技能的寶典。 ——賴江山 南京林業大學教授，數量生態學研究中心主任 本書融合了作者對 R 語言的深厚學習經驗，通過漸進式的學習路徑，由淺入深地引導讀者掌握R語言這一強大工具。本書結合學用相長的理念，通過精心設計的章節，輔以豐富的案例、數據和代碼示例，使讀者在實踐中逐步領悟R語言編程和實現機器學習的方法，特此推薦給大家！ ——付慧真 浙江大學信息資源管理系副教授
機器學習全解(R語言版) 內容簡介
機器學習是近年來非常熱門的學科，R語言經過一段時間的發展也逐漸成為主流的編程語言之一。本書結合機器學習和R語言，面向機器學習實踐，不僅介紹了機器學習和R語言的基礎知識，而且介紹了如何借助不同的算法來進行模型分析，以及這些算法在R語言中的實現方式。通過閱讀本書，讀者可以快速了解機器學習和R語言的推薦知識，掌握機器學習的實現流程。 本書適合程序員、數據分析人員、對算法感興趣的讀者、機器學習領域的從業人員及科研人員閱讀。
機器學習全解(R語言版) 目錄
第 1章 機器學習概論 1
1.1 機器學習的概念 1
1.2 機器學習的意義 2
1.3 機器學習的種類 3
1.4 機器學習基本流程 3
第 2章 R語言綜合基礎 5
2.1 簡易環境配置 5
2.2 編程保留符號 9
2.3 基本數據類型 9
2.3.1 數值型 10
2.3.2 邏輯型 10
2.3.3 字符型 11
2.3.4 因子型 11
2.3.5 類型判斷與轉換 12
2.4 常用數據結構 12
2.4.1 向量 12
2.4.2 矩陣 13
2.4.3 列表 14
2.4.4 數據框 14
2.5 程序流程控制 15
2.5.1 選擇結構 15
2.5.2 循環結構 16
2.6 函數使用技巧 18
第3章 高效數據操作 19
3.1 R數據操作包簡介 19
3.2 數據讀寫 19
3.3 管道操作符 20
3.4 基本操作 21
3.4.1 篩選列 22
3.4.2 篩選行 28
3.4.3 更新 34
3.4.4 排序 36
3.4.5 匯總 40
3.4.6 分組計算 41
3.4.7 列的重命名 44
3.5 多表連接 45
3.6 長寬轉換 50
3.7 集合運算 53
3.8 缺失值處理 55
3.9 列表列的運用 56
第4章 tidyverse快速入門 59
4.1 數據讀取(readr) 59
4.2 數據整理 61
4.2.1 批處理(purrr) 61
4.2.2 因子操作(forcats) 64
4.2.3 時間操作(lubridate) 67
4.2.4 字符串操作(stringr) 68
4.2.5 數據框清洗(tibble/dplyr/tidyr) 71
4.3 數據可視化(ggplot2) 79
第5章 探索性數據分析 82
5.1 基本概念介紹 82
5.1.1 平均值 82
5.1.2 標準差 83
5.1.3 極值 83
5.1.4 中位數 84
5.1.5 相關系數 84
5.2 探索工具實踐 86
5.2.1 vtree 86
5.2.2 skimr 88
5.2.3 naniar 90
第6章 特征工程 93
6.1 特征修飾 93
6.1.1 歸一化 93
6.1.2 數據分箱 94
6.1.3 缺失值填補 101
6.2 特征構造 107
6.2.1 構造交互項 107
6.2.2 基于降維技術的特征構造 108
6.2.3 One-Hot編碼 110
6.3 特征篩選 111
6.3.1 過濾法 111
6.3.2 封裝法 113
6.3.3 嵌入法 114
第7章 重采樣方法 116
7.1 針對模型評估的重采樣 116
7.1.1 交叉驗證 116
7.1.2 自舉法 117
7.2 針對類失衡的重采樣 117
第8章 模型表現的衡量 119
8.1 回歸模型的表現衡量 119
8.2 分類模型的表現衡量 120
第9章 模型選擇 122
9.1 機器學習模型概覽 122
9.1.1 線性回歸 122
9.1.2 K近鄰算法(KNN) 123
9.1.3 樸素貝葉斯方法 123
9.1.4 判別分析 124
9.1.5 支持向量機 124
9.1.6 人工神經網絡 125
9.1.7 決策樹 125
9.1.8 隨機森林 126
9.1.9 梯度下降法 127
9.2 mlr3工作流簡介 127
9.2.1 環境配置 127
9.2.2 任務定義 128
9.2.3 學習器選擇 130
9.2.4 訓練與預測 131
9.3 基于mlr3的模型篩選 134
第 10章 參數調節 136
10.1 指定終止搜索條件 136
10.2 設置指定參數組合 138
10.3 范圍內網格搜索 139
10.4 范圍內隨機搜索 140
第 11章 模型分析 142
11.1 變量重要性評估 142
11.2 變量影響作用分析 146
11.3 基于個案的可加性歸因方法 149
第 12章 集成學習 152
12.1 集成學習的三種策略 152
12.1.1 裝袋法簡介 152
12.1.2 提升法簡介 152
12.1.3 堆疊法簡介 153
12.2 基于caret與caretEnsemble框架的集成學習實現 153
12.2.1 環境部署 153
12.2.2 數據準備 153
12.2.3 裝袋法 154
12.2.4 提升法 155
12.2.5 堆疊 156
第 13章 實踐案例一：基于caret包對泰坦尼克號乘客存活率進行二分類預測 161
13.1 工具簡介 161
13.2 問題背景 162
13.3 數據審視 162
13.4 特征工程 163
13.5 數據劃分 164
13.6 模型訓練 165
13.7 模型的預測與評估 165
13.8 超參數調節 166
第 14章 實踐案例二：基于mlr框架對波士頓房價進行回歸預測 169
14.1 工具簡介 169
14.2 問題背景 169
14.3 數據審視與預處理 170
14.4 任務定義 174
14.5 建模與調參 174
14.6 模型表現比較 181
14.7 進一步的參數調節 183
14.8 模型解釋 184
第 15章 實踐案例三：基于mlr3框架對皮馬印第安人糖尿病數據集進行特征篩選 187
15.1 工具簡介 187
15.2 問題背景 187
15.3 去除冗余特征 188
15.4 特征重要性排序 190
15.5 利用封裝法對特征進行篩選 191
第 16章 實踐案例四：基于tidymodels框架對鳶尾花進行多分類預測 193
16.1 工具簡介 193
16.2 問題背景 193
16.3 數據集劃分 194
16.4 數據預處理 195
16.5 指定重采樣方法 196
16.6 模型定義與調參 197
16.7 觀察模型在測試集的表現 199
展開全部
機器學習全解(R語言版) 作者簡介
黃天元，復旦大學博士，中國科學院博士后，現任浙江財經大學講師。熱愛數據科學與開源工具，致力于利用數據科學迅速積累行業經驗和探索科學發現。在 CRAN 上維護4個R 語言包(累計下載量破10萬)，著有《R語言數據高效處理指南》《文本數據挖掘：基于R語言》等圖書，并開設知乎專欄《R 語言數據挖掘》。
書友推薦
- >
二體千字文
- >
【精裝繪本】畫給孩子的中國神話
- >
史學評論
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
上帝之肋:男人的真實旅程
- >
月亮與六便士
本類暢銷
