简介
大数据时代的到来，使我们的生活在政治、经济、社会、文化各个领域都产生了很大改变。“数据科学”一词应运而生。如何更好地对海量数据进行分析、得出结论并做出智能决策是统计工作者面临的机遇与挑战。本书介绍数据挖掘与统计机器学习领域最常用的模型和算法，包括最基础的线性回归和线性分类方法，以及模型选择和模型评价的概念和方法，进而介绍非线性的回归和分类方法（包括决策树与组合方法、支持向量机、神经网络以及在此基础上发展的深度学习方法）。最后介绍无监督的学习中的聚类方法和业界广泛使用的推荐系统方法。除了方法的理论讲解之外，我们给出了每种方法的R语言实现，以及应用Python语言实现深度学习和支持向量机两种方法。本书的一个亮点是最后一章给出的两个大数据案例，数据量均在10G左右。我们同时给出了单机版（Python、数据库、R）和分布式（Hadoop、Hive、Spark）两种实现方案。原始数据和程序代码均可在出版社提供的网址下载。本书面向的主要读者是应用统计专业硕士，希望能够拓展到统计专业高年级的本科生以及其他各个领域有数据分析需求的学生和从业人员。
目录
第1章概述
1.1名词演化
1.2基本内容
1.3数据智慧
第2章线性回归方法
2.1多元线性回归
2.2压缩方法：岭回归与Lasso
2.3*Lasso 模型的求解与理论性质
2.4损失函数加罚的建模框架
2.5上机实践
第3章线性分类方法
3.1分类问题综述与评价准则
3.2Logistic回归
3.3线性判别
3.4上机实践
第4章模型评价与选择
4.1基本概念
4.2*理论方法
4.3数据重利用方法
4.4上机实践
第5章决策树与组合方法
5.1决策树
5.2Bagging
5.3Boosting
5.4随机森林
5.5上机实践
第6章神经网络与深度学习
6.1神经网络
6.2深度学习
6.3上机实践
第7章支持向量机
7.1线性可分支持向量机
7.2软间隔支持向量机
7.3一些拓展
7.4上机实践
第8章聚类分析
8.1基于距离的聚类
8.2基于模型和密度的聚类
8.3稀疏聚类
8.4双向聚类
8.5上机实践
第9章推荐系统
9.1基于邻居的推荐
9.2潜在因子与矩阵分解算法
9.3上机实践
第10章大数据案例分析
10.1智能手机用户监测数据案例分析
10.2美国航空数据案例分析
参考文献
大数据挖掘与统计机器学习
1.1名词演化
1.2基本内容
1.3数据智慧
第2章线性回归方法
2.1多元线性回归
2.2压缩方法：岭回归与Lasso
2.3*Lasso 模型的求解与理论性质
2.4损失函数加罚的建模框架
2.5上机实践
第3章线性分类方法
3.1分类问题综述与评价准则
3.2Logistic回归
3.3线性判别
3.4上机实践
第4章模型评价与选择
4.1基本概念
4.2*理论方法
4.3数据重利用方法
4.4上机实践
第5章决策树与组合方法
5.1决策树
5.2Bagging
5.3Boosting
5.4随机森林
5.5上机实践
第6章神经网络与深度学习
6.1神经网络
6.2深度学习
6.3上机实践
第7章支持向量机
7.1线性可分支持向量机
7.2软间隔支持向量机
7.3一些拓展
7.4上机实践
第8章聚类分析
8.1基于距离的聚类
8.2基于模型和密度的聚类
8.3稀疏聚类
8.4双向聚类
8.5上机实践
第9章推荐系统
9.1基于邻居的推荐
9.2潜在因子与矩阵分解算法
9.3上机实践
第10章大数据案例分析
10.1智能手机用户监测数据案例分析
10.2美国航空数据案例分析
参考文献
大数据挖掘与统计机器学习
大数据挖掘与统计机器学习
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
