機器學習實踐指南（簡體書）

機器學習應用遍及人工智能的各個領域，是眾多數學科學家需要學習的內容。本書第壹部分提供了一個相當複雜的機器學習系統，以幫助讀者提高其效率。第二部分重點介紹了三個不同的基於現實世界的數據的案例研究，並提供相應解決方案。全書通過知識介紹，使讀者瞭解收集數據、準備使用數據、訓練模型、評估模型的性能，以及改進模型的性能的方法；通過對實際問題解決的講解，幫助讀者獲得處理機器學習問題的經驗。

目 錄?Contents
譯者序
前言
第1章　機器學習引言 1
1.1　什麼是機器學習 1
1.2　分類方法概述 2
1.3　聚類方法概述 2
1.4　監督學習概述 3
1.5　無監督學習概述 4
1.6　增強學習概述 4
1.7　結構化預測概述 5
1.8　神經網絡概述 5
1.9　深度學習概述 6
第2章　分類 7
2.1　引言 7
2.2　判別函數分析：地下鹵水地質化學測量 8
2.3　多元邏輯回歸：理解學生的課程計劃選擇 15
2.4　Tobit回歸：評估學生的學術能力 20
2.5　泊松回歸：理解加拉帕戈斯群島現存物種 27
第3章　聚類 38
3.1　引言 38
3.2　層次聚類：世界銀行樣本數據集 39
3.3　層次聚類：1999～2010年
亞馬遜雨林的燒毀情況 44
3.4　層次聚類：基因聚類 55
3.5　二進制聚類：數學測驗 68
3.6　k均值聚類：歐洲各國蛋白質消耗量 75
3.7　k均值聚類：食品 80
第4章　模型選擇和正則化 86
4.1　引言 86
4.2　壓縮方法：每天消耗的卡路里 87
4.3　降維方法：Delta航空公司航空隊 100
4.4　主成分分析：理解世界菜肴 109
第5章　非線性 114
5.1　廣義加性模型：衡量新西蘭的家庭收入 114
5.2　平滑樣條：理解汽車和速度 119
5.3　局部回歸：理解乾旱警告和影響 129
第6章　監督學習 136
6.1　引言 136
6.2　決策樹學習：對胸痛患者的預先醫療護理指示 137
6.3　決策樹學習：基於收入的房地產價值分佈 145
6.4　決策樹學習：預測股票走勢方向 154
6.5　樸素貝葉斯：預測股票走勢方向 170
6.6　隨機森林：貨幣交易策略 184
6.7　支持向量機：貨幣交易策略 193
6.8　隨機梯度下降：成人收入 201
第7章　無監督學習 208
7.1　引言 208
7.2　自組織映射：可視化熱圖 209
7.3　矢量量化：圖像聚類 212
第8章　增強學習 217
8.1　引言 217
8.2　馬爾可夫鏈：股票區制轉移模型 218
8.3　馬爾可夫鏈：多渠道歸因模型 229
8.4　馬爾可夫鏈：汽車租賃代理服務 239
8.5　連續馬爾可夫鏈：加油站的車輛服務 243
8.6　蒙特卡羅模擬：校準Hull-White短期利率 247
第9章　結構化預測 257
9.1　引言 257
9.2　隱馬爾可夫模型：歐元和美元 257
9.3　隱馬爾可夫模型：區制檢測 263
第10章　神經網絡 270
10.1　引言 270
10.2　為S&P 500建模 270
10.3　衡量失業率 278
第11章　深度學習 292
11.1　引言 292
11.2　循環神經網絡：預測週期信號 292
第12章　案例研究：探索世界銀行數據 299
12.1　引言 299
12.2　探索世界銀行數據 299
第13章　案例研究：再保險合同定價 316
13.1　引言 316
13.2　再保險合同定價 316
第14章　案例研究：用電量預測 329
14.1　引言 329
14.2　用電量測量 329