商用机器学习：数据科学实践

封面

版权信息

作者简介

译者和审校者简介

译者序

前言

第1章 引言

1.1 关于本书及相关材料

1.2 机器学习分类

1.3 验证和测试

1.4 数据清洗

1.5 贝叶斯定理

第2章 无监督学习

2.1 特征缩放

2.2 k-均值算法

2.3 设置k值

2.4 维度灾难

2.5 国家风险

2.6 其他聚类方法

2.7 主成分分析

第3章 监督学习：线性回归

3.1 线性回归：单特征

3.2 线性回归：多特征

3.3 分类特征

3.4 正则化

3.5 岭回归

3.6 套索回归

3.7 弹性网络回归

3.8 房价数据模型结果

3.9 逻辑回归

3.10 逻辑回归的准确性

3.11 信贷决策中的运用

3.12 k-近邻算法

第4章 监督学习：决策树

4.1 决策树的本质

4.2 信息增益测度

4.3 信息决策应用

4.4 朴素贝叶斯分类器

4.5 连续目标变量

4.6 集成学习

第5章 监督学习：支持向量机

5.1 线性SVM分类

5.2 关于软间隔的修改

5.3 非线性分离

5.4 关于连续变量的预测

第6章 监督学习：神经网络

6.1 单层神经网络

6.2 多层神经网络

6.3 梯度下降算法

6.4 梯度下降算法的变形

6.5 迭代终止规则

6.6 应用于衍生产品

6.7 卷积神经网络

6.8 递归神经网络

附录6A 反向传播算法

第7章 强化学习

7.1 多臂老虎机问题

7.2 环境变化

7.3 Nim游戏博弈

7.4 时序差分学习

7.5 深度Q学习

7.6 应用

第8章 社会问题

8.1 数据隐私

8.2 偏见

8.3 道德伦理

8.4 透明度

8.5 对抗机器学习

8.6 法律问题

8.7 人类与机器

部分习题答案