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