作者：[新加坡]黄莉婷/[新加坡]苏川集
出版社：人民邮电出版社
出品方：图灵教育
原作名：Numsense!DataSciencefortheLayman：NoMathAdded
译者：武传海
出版年：2019-2
页数：128
定价：49.00元
装帧：平装
丛书：图灵程序设计丛书
ISBN：9787115506641
内容简介
······
与使用数学语言或计算机编程语言讲解算法的书不同，本书另辟蹊径，用通俗易懂的人类语言以及大量有趣的示例和插图讲解10多种前沿的机器学习算法。内容涵盖k均值聚类、主成分分析、关联规则、社会网络分析等无监督学习算法，以及回归分析、k最近邻、支持向量机、决策树、随机森林、神经网络等监督学习算法，并概述强化学习算法的思想。任何对机器学习和数据科学怀有好奇心的人都可以通过本书构建知识体系。
作者简介
······
黄莉婷（Annalyn Ng），高级数据分析师，剑桥大学心理测量中心硕士，曾受邀在迪士尼研究中心研究客户行为科学，并通过数据挖掘技术帮助三星和雅虎等公司制定营销和人员招聘等方面的策略。
苏川集（Kenneth Soo），斯坦福大学统计学硕士，华威大学高材生，曾从事网络随机故障下应用程序的双目标稳健优化研究，善于用通俗的语言介绍数据科学。
目录
······
第1章 基础知识 1
1.1 准备数据 1
1.1.1 数据格式 1
1.1.2 变量类型 2
1.1.3 变量选择 3
1.1.4 特征工程 3
1.1.5 缺失数据 4
1.2 选择算法 4
1.2.1 无监督学习 5
1.2.2 监督学习 6
1.2.3 强化学习 7
1.2.4 注意事项 7
1.3 参数调优 7
1.4 评价模型 9
1.4.1 分类指标 9
1.4.2 回归指标 10
1.4.3 验证 10
1.5 小结 11
第2章 k均值聚类 13
2.1 找出顾客群 13
2.2 示例：影迷的性格特征 13
2.3 定义群组 16
2.3.1 有多少个群组 16
2.3.2 每个群组中有谁 17
2.4 局限性 18
2.5 小结 19
第3章 主成分分析 21
3.1 食物的营养成分 21
3.2 主成分 22
3.3 示例：分析食物种类 24
3.4 局限性 27
3.5 小结 29
第4章 关联规则 31
4.1 发现购买模式 31
4.2 支持度、置信度和提升度 31
4.3 示例：分析杂货店的销售数据 33
4.4 先验原则 35
4.4.1 寻找具有高支持度的项集 36
4.4.2 寻找具有高置信度或高提升度的关联规则 37
4.5 局限性 37
4.6 小结 37
第5章 社会网络分析 39
5.1 展现人际关系 39
5.2 示例：国际贸易 40
5.3 Louvain方法 42
5.4 PageRank算法 43
5.5 局限性 46
5.6 小结 47
第6章 回归分析 49
6.1 趋势线 49
6.2 示例：预测房价 49
6.3 梯度下降法 52
6.4 回归系数 54
6.5 相关系数 55
6.6 局限性 56
6.7 小结 57
第7章 k最近邻算法和异常检测 59
7.1 食品检测 59
7.2 物以类聚，人以群分 60
7.3 示例：区分红白葡萄酒 61
7.4 异常检测 62
7.5 局限性 63
7.6 小结 63
第8章 支持向量机 65
8.1 医学诊断 65
8.2 示例：预测心脏病 65
8.3 勾画最佳分界线 66
8.4 局限性 69
8.5 小结 69
第9章 决策树 71
9.1 预测灾难幸存者 71
9.2 示例：逃离泰坦尼克号 72
9.3 生成决策树 73
9.4 局限性 74
9.5 小结 75
第10章 随机森林 77
10.1 集体智慧 77
10.2 示例：预测犯罪行为 77
10.3 集成模型 81
10.4 自助聚集法 82
10.5 局限性 83
10.6 小结 84
第11章 神经网络 85
11.1 建造人工智能大脑 85
11.2 示例：识别手写数字 86
11.3 神经网络的构成 89
11.4 激活规则 91
11.5 局限性 92
11.6 小结 94
第12章 A/B测试和多臂老虎机 95
12.1 初识A/B测试 95
12.2 A/B测试的局限性 95
12.3 epsilon递减策略 96
12.4 示例：多臂老虎机 97
12.5 胜者为先 99
12.6 epsilon递减策略的局限性 99
12.7 小结 100
附录A 无监督学习算法概览 101
附录B 监督学习算法概览 102
附录C 调节参数列表 103
附录D 更多评价指标 104
术语表 107
关于作者 114
评论 ······
好薄的一本书
太过简略，感觉话只说了一半……
每个算法有适用场景，原理解释不是非常透彻，更没实现途径的梗概……
讲得太简单了，真的就是白话，薄薄一本还很贵。
梯度提升（gradient boosting）：这种监督学习技术用于生成多棵决策树。与随机森林不同，梯度提升通过有策略地选择不同的二元选择题来生成每个分支，从而逐步提高决策树的预测准确度。然后，为每棵树的预测结果赋予一定的权重（决策树越靠后，权重越大），并组合所有结果，从而产生最终的预测结果。
梯度下降（gradient descent）：这种方法用于调整模型参数。它先为一组参数值估计初始值，而后…
评论前必须登录！
注册