高級機器學習算法實戰 Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R

V.基肖爾·艾亞德瓦拉（V Kishore Ayyadevara）對任何有關數據的東西都充滿熱情。十多年來，他一直致力於技術、數據和機器學習的交叉領域，以便能夠識別、溝通和解決業務問題。 他曾在美國運通（American Express）公司的風險管理部門和亞馬遜公司的供應鏈分析團隊中工作，目前正在領導一家初創公司的數據產品開發工作，負責實施各種分析解決方案並建立強大的數據科學團隊。 Kishore是一個積極的學習者，他的興趣包括識別可以使用數據解決的業務問題，簡化數據科學中的覆雜性，以及跨領域轉移技術以實現可量化的業務結果。

譯者序
原書前言
作者簡介
技術評審員簡介
第1章機器學習基礎 
1.1回歸和分類 
1.1.1訓練數據和測試數據 
1.1.2對於驗證數據集的需求 
1.1.3精度測量 
1.1.4AUC值和ROC曲線 
1.2無監督學習//
1.3建立模型的典型方法 
1.3.1數據從哪裡獲取 
1.3.2需要獲取哪些數據 
1.3.3數據預處理 
1.3.4特徵交互 
1.3.5特徵生成 
1.3.6建立模型 
1.3.7模型生產化 
1.3.8構建、部署、測試和疊代 
1.4總結 
第2章線性回歸 
2.1線性回歸介紹 
2.1.1變量：自變量和因變量 
2.1.2相關性 
2.1.3因果關係 
2.2簡單線性回歸與多元線性回歸 
2.3形式化簡單線性回歸 
2.3.1偏差項 
2.3.2斜率 
2.4求解一個簡單線性回歸 
2.5求解簡單線性回歸更通用的方法 
2.5.1平方差總和小化 
2.5.2求解公式 
2.6簡單線性回歸的工作細節 
2.6.1讓簡單線性回歸複雜化一點 
2.6.2達到優係數值 
2.6.3方均根誤差介紹 
2.7在R中運行簡單線性回歸 
2.7.1殘差 
2.7.2係數 
2.7.3殘差（殘餘偏差）的SSE 
2.7.4零偏差 
2.7.5R平方 
2.7.6F統計量 
2.8在Python中運行簡單線性回歸 
2.9簡單線性回歸的常見缺陷 
2.10多元線性回歸 
2.10.1多元線性回歸的工作細節 
2.10.2R中的多元線性回歸 
2.10.3Python中的多元線性回歸 
2.10.4模型中的非重要變量問題 
2.10.5多重共線性問題 
2.10.6多重共線性的數學直覺 
2.10.7有關多元線性回歸的其他註意事項 
2.11線性回歸的假設 
2.12總結 
第3章對數機率回歸 
3.1為什麼線性回歸對離散結果無效 
3.2一個更普遍的解決方案：Sigmoid曲線 
3.2.1形式化Sigmoid曲線（Sigmoid激活） 
3.2.2從Sigmoid曲線到對率回歸 
3.2.3對率回歸的解釋 
3.2.4對率回歸的工作細節 
3.2.5估算誤差 
3.2.6小二乘法與線性假設 
3.3在R中運行對率回歸 
3.4在Python中運行對率回歸 
3.5確定興趣的度量 
3.6常見陷阱 
3.6.1預測和事件發生之間的時間 
3.6.2自變量中的異常值 
3.7總結 
第4章決策樹 
4.1決策樹的構成部分 
4.2存在多個離散自變量的分類決策樹 
4.2.1信息增益 
4.2.2計算不確定性：熵 
4.2.3計算信息增益 
4.2.4原始數據集中的不確定性 
4.2.5衡量不確定性的改善 
4.2.6哪些特定值進入左側或右側節點 
4.2.7分裂過程何時停止 
4.3連續自變量的分類決策樹 
4.4有多個自變量時的分類決策樹 
4.5存在連續自變量和離散自變量時的分類決策樹 
4.6如果響應變量是連續的怎麼辦 
4.6.1連續因變量與多個連續自變量 
4.6.2連續因變量與離散自變量 
4.6.3連續因變量與離散、連續自變量 
4.7在R中實現決策樹 
4.8在Python中實現決策樹 
4.9創建樹的常見技術 
4.10可視化樹的構建 
4.11異常值對決策樹的影響 
4.12總結 
第5章隨機森林 
5.1一個隨機森林的場景 
5.1.1Bagging 
5.1.2隨機森林的工作細節 
5.2在R中實現隨機森林 
5.2.1隨機森林中的參數調整 
5.2.2樹的深度對AUC的影響 
5.3在Python中實現隨機森林 
5.4總結 
第6章梯度提昇機 
6.1梯度提昇機介紹 
6.2GBM的工作細節 
6.3收縮率 
6.4AdaBoost 
6.4.1AdaBoost理論 
6.4.2AdaBoost的工作細節 
6.5GBM的附加功能 
6.6在Python中實現GBM 
6.7在R中實現GBM 
6.8總結 
第7章人工神經網絡 
7.1神經網絡的結構 
7.2訓練神經網絡的工作細節 
7.2.1前向傳播 
7.2.2應用激活函數 
7.2.3反向傳播 
7.2.4計算反向傳播 
7.2.5隨機梯度下降 
7.2.6深入瞭解梯度下降 
7.2.7為什麼要有學習率 
7.3批量訓練 
7.3.1Softmax的概念 
7.4不同的損耗優化函數 
7.4.1縮放數據集 
7.5在Python中實現神經網絡 
7.6利用正則化避免過擬合 
7.7將權重分配給正則化項 
7.8在R中實現神經網絡 
7.9總結 
第8章Word2vec 
8.1手工構建詞向量 
8.2構建詞向量的方法 
8.3Word2vec模型中需要註意的問題 
8.3.1常用詞 
8.3.2負採樣 
8.4在Python中實現Word2vec 
8.5總結 
第9章捲積神經網絡 
9.1傳統神經網絡的問題 
9.1.1場景1 
9.1.2場景2 
9.1.3場景3 
9.1.4場景4 
9.2瞭解CNN中的捲積 
9.2.1從捲積到激活 
9.2.2從捲積激活到池化 
9.2.3捲積和池化有什麼幫助 
9.3使用代碼創建CNN 
9.4CNN的工作細節 
9.5深入研究捲積/內核 
9.6從捲積和池化到扁平化：完全連接層 
9.6.1從一個完全連接層到另一個完全連接層 
9.6.2從完全連接層到輸出層 
9.7連接點：前饋網絡 
9.8CNN的其他細節 
9.9CNN中的反向傳播 
9.10將各層放在一起 
9.11數據增強 
9.12在R中實現CNN 
9.13總結 
第10章遞歸神經網絡 
10.1理解架構 
10.2RNN的解釋 
10.3RNN的工作細節 
10.3.1時間步驟1 
10.3.2時間步驟2 
10.3.3時間步驟3 
10.4實現RNN:SimpleRNN 
10.4.1編譯模型 
10.4.2驗證RNN的輸出 
10.5實現RNN：生成文本 
10.6RNN中的嵌入層 
10.7傳統RNN的問題 
10.7.1梯度消失問題 
10.7.2梯度爆炸問題 
10.8LSTM 
10.9在keras中實現基本LSTM 
10.10實現LSTM進行情感分類 
10.11在R中實現RNN 
10.12總結 
第11章聚類 
11.1聚類介紹 
11.1.1構建用於性能比較的商店簇 
11.1.2理想聚類 
11.1.3在沒有聚類和過多聚類之間取得平衡：k均值聚類 
11.2聚類過程 
11.3k均值聚類算法的工作細節 
11.3.1k均值算法在數據集上的應用 
11.3.2k均值聚類算法的性質 
11.4在R中實現k均值聚類 
11.5在Python中實現k均值聚類 
11.6主要指標的意義 
11.7確定優的k 
11.8自上向下與自下向上的聚類 
11.8.1層次聚類 
11.8.2層次聚類的主要缺點 
11.9k均值聚類的行業使用案例 
11.10總結 
第12章主成分分析 
12.1PCA的直觀理解 
12.2PCA的工作細節 
12.3在PCA中縮放數據 
12.4將PCA擴展到多變量 
12.5在R中實現PCA 
12.6在Python中實現PCA 
12.7將PCA應用於MNIST 
12.8總結 
第13章系統 
13.1瞭解k近鄰 
13.2基於用戶的協同過濾的工作細節 
13.2.1歐氏距離 
13.2.2餘弦相似度 
13.3基於項目的協同過濾 
13.4在R中實現協同過濾 
13.5在Python中實現協同過濾 
13.6矩陣分解的工作細節 
13.7在Python中實現矩陣分解 
13.8在R中實現矩陣分解 
13.9總結 
第14章在雲中實現算法 
14.1谷歌雲平臺 
14.2微軟Azure 
14.3亞馬遜網絡服務 
14.4將文件傳輸到雲實例 
14.5從本地計算機運行實例Jupyter Notebook 
14.6在實例上安裝R 
14.7總結 
附錄Excel、R和Python基礎 
A.1 Excel基礎
A.2 R語言基礎
A.3 Python基礎