掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
統計機器學習及R實現 版權信息
- ISBN：9787302639930
- 條形碼：9787302639930 ; 978-7-302-63993-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
統計機器學習及R實現 本書特色
本書詳細講解了統計機器學習與R語言相關專業知識，配套資源豐富
統計機器學習及R實現 內容簡介
本書全面介紹了統計機器學習的主要算法，內容涉及多元線性回歸、對數線性回歸、邏輯斯蒂回歸、嶺回歸、Lasso回歸、判別分析和聚類分析等傳統方法，也涉及支持向量機、深度神經網絡以及集成學習等比較熱門的算法，并給出相應算法的R語言實現。本書還給出了向量和矩陣函數求導以及拉格朗日對偶等數學基礎，便于讀者理解相關算法推導。 本書可以作為統計機器學習等相關專業的教材和參考書，也可供從事相關領域研究的人員參考。
統計機器學習及R實現 目錄
第1章R語言基礎
1.1R的下載與安裝
1.2輔助性操作命令
1.3基本運算與賦值
1.4向量
1.4.1向量定義
1.4.2向量運算
1.4.3向量元素的獲取
1.4.4向量主要運算函數
1.5矩陣
1.5.1生成對角矩陣和單位陣
1.5.2矩陣元素取出
1.5.3矩陣行和列的維數
1.5.4矩陣的主要運算函數
1.5.5矩陣合并
1.5.6矩陣apply()運算函數
1.6因子(factor)和有序因子(ordered factor)
1.6.1創建一個因子
1.6.2創建一個有序因子
1.6.3用cut()函數將一般的數據轉換成因子或有序因子
1.7數組
1.7.1產生一個三維和四維數組
1.7.2dim()函數可將向量轉化成數組或矩陣
1.7.3張量的三個關鍵屬性
1.7.4數據張量
1.7.5張量重塑
1.8列表
1.9數據框
1.9.1生成一個數據框
1.9.2合并數據框
1.9.3判斷數據對象是否為數據框
1.9.4數據框的行名和列名
1.9.5連接函數
1.9.6數據框的數據抽取
1.10數據讀取
1.10.1讀取外部數據
1.10.2數據保存
1.11數據類型查看及環境設置
1.11.1數據類型
1.11.2數據查看
1.11.3環境設置函數options()
1.12繪圖
1.12.1繪圖參數命令
1.12.2常用的繪圖命令
1.12.3繪圖函數輔助
1.12.4三維繪圖
1.13隨機數產生
1.14編程基礎
1.14.1條件語句
1.14.2循環語句
1.14.3自定義函數
1.15R語言的更新
第2章多元分布
2.1一元分布
2.1.1樣本
2.1.2常用統計量
2.1.3常用分布
2.1.4重要定理
2.2多元分布
2.2.1p維總體
2.2.2隨機向量X的數字特征
2.2.3多元分布的參數估計
2.3R語言相關操作
2.3.1一元正態隨機數
2.3.2多元正態隨機數
第3章線性模型
3.1線性回歸
3.1.1基本形式
3.1.2一元線性回歸
3.1.3多元線性回歸
3.1.4多重共線對回歸模型的影響
3.1.5回歸模型檢驗
3.2對數線性回歸
3.3邏輯斯蒂回歸
3.4多項邏輯回歸
3.5嶺回歸
3.6Lasso回歸
3.7模型的評估標準
3.7.1分類模型的評估
3.7.2回歸模型的評估
3.8R語言實現
3.8.1線性回歸
3.8.2邏輯斯蒂回歸
3.8.3嶺回歸
3.8.4Lasso回歸
第4章判別分析
4.1距離判別法
4.1.1常用距離
4.1.2判別方法
4.2貝葉斯判別法
4.2.1貝葉斯公式
4.2.2基于*小錯誤率的貝葉斯決策
4.2.3樸素貝葉斯法的學習與分類
4.2.4連續場合下貝葉斯決策的參數估計
4.3Fisher判別分析
4.3.1兩類分類
4.3.2多類分類
4.4R語言實例
4.4.1線性判別分析
4.4.2樸素貝葉斯判別分析
4.4.3二次判別分析
第5章支持向量機
5.1小樣本統計學習理論
5.2兩類支持向量機
5.2.1線性可分情況
5.2.2線性不可分情況
5.3一類分類支持向量機
5.4多類支持向量機
5.4.1一對多法
5.4.2一對一法
5.4.3SVM決策樹法
5.4.4ECC-SVM方法
5.4.5基于一類分類的多類分類算法
5.5基于線性規劃的支持向量機分類
5.5.1數學背景
5.5.2線性規劃的分類算法
5.5.3線性規劃下的一類分類算法
5.6支持向量回歸
5.6.1二次規劃下的支持向量回歸
5.6.2幾種線性規劃下的支持向量回歸
5.6.3*小二乘支持向量回歸
5.7R語言實驗
5.7.1分類問題
5.7.2回歸問題
第6章決策樹
6.1決策樹的概念
6.2決策樹分類器設計
6.2.1ID3算法
6.2.2C4.5算法
6.2.3決策樹剪枝
6.2.4從決策樹提取分類規則
6.3決策樹的CART算法實現
6.3.1分類樹
6.3.2回歸樹
6.4R語言實驗
6.4.1分類樹
6.4.2回歸樹
第7章集成學習
7.1個體與集成
7.2自適應提升算法
7.3梯度提升算法
7.4提升樹
7.4.1提升樹模型
7.4.2提升樹算法
7.5Bagging與隨機森林
7.5.1Bagging
7.5.2隨機森林
7.5.3結合策略
7.6R語言實驗
7.6.1裝袋法回歸
7.6.2隨機森林分類
7.6.3提升法
第8章主成分分析與因子分析
8.1主成分分析
8.1.1基本原理
8.1.2主成分應用
8.2因子分析
8.2.1因子分析模型
8.2.2因子分析模型的計算
8.3R語言試驗
8.3.1主成分分析
8.3.2因子分析
第9章降維
9.1k近鄰學習
9.2低維嵌入
9.3流形學習
9.3.1等度量映射
9.3.2局部線性嵌入
9.3.3隨機近鄰嵌入
9.3.4t分布隨機近鄰嵌入
9.4R語言實驗
9.4.1LLE降維
9.4.2MDS降維
9.4.3qkIsomap函數實現Isomap
9.4.4"Rtsne"包實現tSNE
第10章聚類分析
10.1基于距離的聚類
10.1.1相似性度量
10.1.2層次聚類
10.1.3k均值聚類
10.2基于密度的聚類
10.3R語言實驗
10.3.1k均值聚類
10.3.2層次聚類
10.3.3基于密度的聚類
第11章偏*小二乘回歸
11.1基本思想
11.2基本算法
11.3模型成分個數的確定
11.4R語言實現
第12章深度神經網絡
12.1感知機
12.1.1定義
12.1.2基本思想
12.1.3算法
12.2人工神經網絡的基本思想
12.2.1神經元
12.2.2激活函數
12.3前饋神經網絡
12.3.1網絡結構
12.3.2BP算法
12.3.3BP算法總結
12.4自動編碼器網絡
12.5受限玻爾茲曼機
12.6深度置信網絡
12.7卷積神經網絡
12.7.1卷積
12.7.2池化
12.7.3全連接層
12.7.4訓練算法
12.7.5典型網絡
12.8循環神經網絡
12.8.1基本概念
12.8.2網絡的訓練
12.8.3Elman神經網絡
12.8.4Jordan神經網絡
12.8.5LSTM網絡
12.8.6GRU網絡
12.9R語言實現
12.9.1neuralnet包實現前饋神經網絡
12.9.2Keras包創建神經網絡
12.9.3循環神經網絡
12.9.4自編碼器網絡
12.9.5受限玻爾茲曼機
12.9.6深度信念網
12.9.7Jordan網絡
12.9.8Elman網絡
附錄A向量和矩陣函數的導數
附錄B拉格朗日對偶性
參考文獻
展開全部
書友推薦
- >
自卑與超越
- >
上帝之肋:男人的真實旅程
- >
月亮與六便士
- >
名家帶你讀魯迅:朝花夕拾
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
- >
史學評論
- >
名家帶你讀魯迅:故事新編
本類暢銷
