數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)：數(shù)學(xué)與統(tǒng)計(jì)方法

譯者序
前言
數(shù)學(xué)符號(hào)
第1章導(dǎo)入、匯總和可視化
數(shù)據(jù)
11簡(jiǎn)介
12類(lèi)型結(jié)構(gòu)特征
13匯總表
14匯總統(tǒng)計(jì)量
15數(shù)據(jù)可視化
151定性變量繪圖
152定量變量繪圖
153雙變量的數(shù)據(jù)可視化
16擴(kuò)展閱讀
17習(xí)題
第2章統(tǒng)計(jì)學(xué)習(xí)
21簡(jiǎn)介
22監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)
23訓(xùn)練損失和測(cè)試損失
24統(tǒng)計(jì)學(xué)習(xí)中的權(quán)衡處理
25估計(jì)風(fēng)險(xiǎn)
251樣本內(nèi)風(fēng)險(xiǎn)
252交叉驗(yàn)證
26數(shù)據(jù)建模
27多元正態(tài)模型
28正態(tài)線性模型
29貝葉斯學(xué)習(xí)
210擴(kuò)展閱讀
211習(xí)題
第3章蒙特卡羅方法
31簡(jiǎn)介
32蒙特卡羅抽樣
321生成隨機(jī)數(shù)
322模擬隨機(jī)變量
323模擬隨機(jī)向量和隨機(jī)
過(guò)程
324重采樣
325馬爾可夫鏈蒙特卡羅
33蒙特卡羅估計(jì)
331樸素蒙特卡羅
332自舉法
333方差縮減
34蒙特卡羅優(yōu)化
341模擬退火
342交叉熵方法
343分裂優(yōu)化
344噪聲優(yōu)化
35擴(kuò)展閱讀
36習(xí)題
第4章無(wú)監(jiān)督學(xué)習(xí)
41簡(jiǎn)介
42無(wú)監(jiān)督學(xué)習(xí)的風(fēng)險(xiǎn)和損失
43期望大化算法
44經(jīng)驗(yàn)分布和密度估計(jì)
45通過(guò)混合模型聚類(lèi)
451混合模型
452混合模型的EM
算法
46向量量化聚類(lèi)
461K均值
462通過(guò)連續(xù)多極值優(yōu)化
進(jìn)行聚類(lèi)
47層次聚類(lèi)
48主成分分析
481動(dòng)機(jī)：橢球體的
主軸
482PCA和奇異值分解
49擴(kuò)展閱讀
410習(xí)題
第5章回歸
51簡(jiǎn)介
52線性回歸
53線性模型分析
531參數(shù)估計(jì)
532模型選擇和預(yù)測(cè)
533交叉驗(yàn)證與預(yù)測(cè)殘差
平方和
534樣本內(nèi)風(fēng)險(xiǎn)和赤池信
息準(zhǔn)則
535分類(lèi)特征
536嵌套模型
537決定系數(shù)
54正態(tài)線性模型的推理
541比較兩個(gè)正態(tài)線性
模型
542置信區(qū)間和預(yù)測(cè)
區(qū)間
55非線性回歸模型
56用Python實(shí)現(xiàn)線性模型
561建模
562分析
563方差分析
564置信區(qū)間和預(yù)測(cè)區(qū)間
565模型驗(yàn)證
566變量選擇
57廣義線性模型
58擴(kuò)展閱讀
59習(xí)題
第6章正則化和核方法
61簡(jiǎn)介
62正則化
63再生核希爾伯特空間
64再生核的構(gòu)造
641通過(guò)特征映射構(gòu)造
再生核
642根據(jù)特征函數(shù)構(gòu)造
再生核
643利用正交特征構(gòu)造
再生核
644通過(guò)核構(gòu)造再生核
65表示定理
66平滑三次樣條
67高斯過(guò)程回歸
68核PCA
69擴(kuò)展閱讀
610習(xí)題
第7章分類(lèi)
71簡(jiǎn)介
72分類(lèi)評(píng)價(jià)指標(biāo)
73基于貝葉斯規(guī)則的分類(lèi)
74線性判別分析和二次判別
分析
75邏輯回歸和softmax分類(lèi)
76K近鄰分類(lèi)
77支持向量機(jī)
78使用ScikitLearn進(jìn)行分類(lèi)
79擴(kuò)展閱讀
710習(xí)題
第8章決策樹(shù)和集成方法
81簡(jiǎn)介
82自頂向下的決策樹(shù)構(gòu)建方法
821區(qū)域預(yù)測(cè)函數(shù)
822分裂規(guī)則
823終止條件
824基本實(shí)現(xiàn)
83其他考慮因素
831二叉樹(shù)與非二叉樹(shù)
832數(shù)據(jù)預(yù)處理
833替代分裂規(guī)則
834類(lèi)別變量
835缺失值
84控制樹(shù)形
841代價(jià)復(fù)雜度剪枝
842決策樹(shù)的優(yōu)點(diǎn)和
局限性
85自舉聚合
86隨機(jī)森林
87提升法
88擴(kuò)展閱讀
89習(xí)題
第9章深度學(xué)習(xí)
91簡(jiǎn)介
92前饋神經(jīng)網(wǎng)絡(luò)
93反向傳播
94訓(xùn)練方法
941速下降法
942LevenbergMarquardt
方法
943受限內(nèi)存BFGS
方法
944自適應(yīng)梯度法
95Python示例
951簡(jiǎn)單多項(xiàng)式回歸
952圖像分類(lèi)
96擴(kuò)展閱讀
97習(xí)題
附錄A線性代數(shù)與泛函分析
附錄B多元微分與優(yōu)化問(wèn)題
附錄C概率與統(tǒng)計(jì)
附錄DPython入門(mén)
參考文獻(xiàn)