[Libro antiguo original] R Language Machine Learning (libro original, 2ª edición) 9787111 ** 1049 (consulte el servicio al cliente si tiene una copia predeterminada del conjunto)

本书是介绍机器学习技术的综合指南，从基础的统计学原理和R语言编程知识，到核心的机器学习理论和算法分析，以及机器学习模型的评估和改进方法，再到机器学习技术在大数据平台上的应用，书中都有详细介绍。

本书主要在**版的基础上增加了两个部分：**个是关于时间序列模型的新章节（第9章），这是一个源于统计学的传统主题。第二个新增的章节是深度学习（**1章），它是机器学习的一个迅速崛起的子领域。除了增加这两个章节之外，本书中的文本和代码会以一种读者友好的新格式来整体呈现。新版会继续专注于使用流行的统计编程语言R来构建用例。对于深度学习这样的主题，我们建议采用Python语言来配合TensorFlow这样的框架。但是，在第2版中，我们会向读者展示如何在TensorFlow中使用R语言编程，因此如果读者只熟悉R，可以暂时无须学习Python。与**版一样，我们通过各种实际用例保持了机器学习理论与应用的良好平衡，为读者提供了一个真正全面的机器学习主题集合。

卡西克*拉玛苏布兰马尼安（KarthikRamasubramanian）就职于印度创业技术公司HikeMessenger。他一直为零售、电子商务和技术行业解决跨行业的数据科学问题，开发数据驱动的解决方案并进行原型构建。Karthik对整个数据科学生命周期（从探索数据问题，到创建数据科学模型，以及开发各行业相关产品）都具有丰富的经验。

阿布舍克*辛格（AbhishekSingh）领导的数据科学专业团队正在解决粮食安全、网络安全、自然灾害、医疗保健以及更多领域的紧迫问题。他对美国银行的资产进行了压力测试，开发了保险定价模型，并优化了客户的电信体验。他积极参与数据科学分析相关的思想交流、创作、公开演讲、会议和培训。他坚定地支持负责任地使用人工智能来消除偏见，并坚信合理使用AI将使生活更美好。

• 译者序
• 前言
• **章机器学习和R语言入门
• 1．1了解发展历程
• 1．1．1统计学习
• 1．1．2机器学习
• 1．1．3人工智能
• 1．1．4数据挖掘
• 1．1．5数据科学
• 1．2概率与统计
• 1．2．1计数和概率的定义
• 1．2．2事件和关系
• 1．2．3随机性、概率和分布
• 1．2．4置信区间和假设检验
• 1．3R语言入门
• 1．3．1基本组成部分
• 1．3．2R语言的数据结构
• 1．3．3子集处理
• 1．3．4数和Apply系列
• 1．4机器学习过程工作流
• 1．4．1计划
• 1．4．2探索
• 1．4．3构建
• 1．4．4评估
• 1．5其他技术
• 1．6小结
• 第2章数据准备和探索
• 2．1规划数据收集
• 2．1．1变量类型
• 2．1．2数据格式
• 2．1．3数据源的类型
• 2．2初始数据分析
• 2．2．1初步印象
• 2．2．2把多个数据源组织到一起
• 2．2．3整理数据
• 2．2．4补充更多信息
• 2．2．5重塑
• 2．3探索性数据分析
• 2．3．1摘要统计量
• 2．3．2矩
• 2．4案例研究：信用卡欺诈
• 2．4．1数据导入
• 2．4．2数据变换
• 2．4．3数据探索
• 2．5小结
• 第3章抽样与重抽样技术
• 3．1介绍抽样技术
• 3．2抽样的术语
• 3．2．1样本
• 3．2．2抽样分布
• 3．2．3总群体的均值和方差
• 3．2．4样本均值和方差
• 3．2．5汇总的均值和方差
• 3．2．6抽样点
• 3．2．7抽样误差
• 3．2．8抽样率
• 3．2．9抽样偏误
• **
• 第4章R语言里的数据可视化
• 第5章特征工程
• 第6章机器学习理论和实践
• 第7章机器学习模型的评估
• 第**模型性能改进
• 第9章时间序列模型
• **0章可扩展机器学习和相关技术
• **1章用Keras和Tensorflow进行深度学习