*完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考,以到貨標的為正確資訊。 印行年月:202407*若逾兩年請先於私訊洽詢存貨情況,謝謝。 台灣(台北市)在地出版社,每筆交易均開具統一發票,祝您中獎最高1000萬元。 書名:大數據挖掘與統計機器學習 (第3版) ISBN:9787300326894 出版社:中國人民大學 著編譯者:呂曉玲 宋捷 頁數:267 所在地:中國大陸 *此為代購商品 書號:1655443 可大量預訂,請先連絡。 內容簡介 本書介紹了大數據挖掘與統計機器學習領域中最常用的模型和演算法,包括最基礎的線性回歸與分類方法,以及模型評價與選擇的概念和方法,進而介紹了非線性回歸與分類方法(包括決策樹與組合方法、支持向量機、神經網路以及在此基礎上發展的深度學習方法)。此外,介紹了無監督學習中的聚類方法,並給出了一個大數據分析的實例。除了方法的理論講解之外,還給出了每種方法的Python實現。作者簡介 呂曉玲,中國人民大學統計學院教授,博士生導師;數據科學與大數據統計繫系主任;中國人民大學數據挖掘中心主任。奧地利約翰·開普勒林茨大學應用統計系以及美國加州大學伯克利分校統計系訪問學者。一直從事統計機器學習、數據科學領域的研究。主持教育部人文社會科學研究項目以及國家自然科學基金項目。在Journal of the American Statistical Association,Journal of Electronic Commerce Research等SSCI/SCI檢索的國際學術期刊發表多篇論文。目錄 第1章 概述1 1 名詞演化 1 2 基本內容 1 3 數據智慧 第2章 線性回歸與分類 2 1 Lasso回歸 2 1 1 多元線性回歸模型 2 1 2 嶺回歸 2 1 3 Lasso回歸 2 1 4 一張圖看懂嶺回歸和Lasso回歸 2 1 5 從貝葉斯角度再看嶺回歸和Lasso回歸 2 2 Lasso模型的求解 2 2 1 坐標下降法 2 2 2 最小角回歸 2 2 3 ADMM演算法 2 2 4 附錄 2 3 損失函數加罰的建模框架 2 3 1 損失函數的概念 2 3 2 最小一乘回歸與分位回歸 2 3 3 其他罰函數 2 4 分類問題綜述與評價準則 2 4 1 分類問題 2 4 2 分類問題評價準則 2 5 Logistic回歸 2 5 1 基本模型 2 5 2 參數估計 2 5 3 正則化的Logistic回歸 第3章 模型評價與選擇 3 1 基本概念 3 1 1 各種誤差的定義 3 1 2 偏差-方差分解 3 2 理論方法 3 2 1 Cp統計量 3 2 2 AIC準則 3 2 3 BIC準則 3 3 交叉驗證法 第4章 決策樹與組合方法 4 1 決策樹 4 1 1 決策樹的基本知識 4 1 2 決策樹的建模過程 4 1 3 需要說明的一些問題 4 2 Bagging和隨機森林 4 2 1 Bagging演算法 4 2 2 隨機森林 4 3 Boosting 4 3 1 AdaBoost演算法 4 3 2 分類問題的不同損失函數 4 3 3 梯度下降Boosting演算法 4 3 4 XGBoost 4 3 5 討論 4 3 6 Boosting演算法的進一步研究 4 3 7 附錄 第5章 支持向量機 5 1 線性可分支持向量機 5 1 1 簡介 5 1 2 模型 5 2 軟間隔支持向量機 5 2 1 模型 5 2 2 求解軟間隔支持向量機 5 2 3 SMO演算法 5 3 一些拓展 5 3 1 非線性可分與核函數 5 3 2 LIBSVM簡介及其Python實現 5 3 3 從損失函數加罰的角度再看SVM 5 3 4 支持向量機回歸 第6章 聚類分析 6 1 基於距離的聚類 6 1 1 距離(相似度)的定義 6 1 2 層次聚類 6 1 3 K-均值聚類 6 2 基於密度的聚類 6 2 1 DBSCAN聚類 6 2 2 OPTICS聚類 6 3 雙向聚類 6 3 1 雙向聚類概述 6 3 2 BIMAX演算法 6 3 3 CC演算法 第7章 智能手機用戶監測數據案例分析 7 1 數據簡介 7 2 單機實現 7 2 1 描述統計分析 7 2 2 APP使用情況預測分析 7 2 3 用戶行為聚類分析 7 3 分散式實現 7 3 1 數據預處理與描述分析 7 3 2 基於Spark的模型分析 第8章 神經網路基礎 8 1 前饋神經網路 8 1 1 生物神經元 8 1 2 人工神經元 8 1 3 前饋網路 8 2 反向傳播演算法 8 2 1 前向傳播 8 2 2 損失函數 8 2 3 反向傳播 8 2 4 激活函數的選擇 8 2 5 超參數 8 3 PyTorch應用實例 8 3 1 三次多項式擬合正弦函數案例 8 3 2 手寫數字識別案例 8 3 3 附錄:PyTorch基本操作 第9章 卷積神經網路與網路優化 9 1 卷積神經網路 9 1 1 CNN的基本結構 9 1 2 CNN演算法的實現 9 1 3 幾種常見的CNN模型 9 2 網路優化 9 2 1 網路優化問題 9 2 2 小批量梯度下降 9 2 3 學習率調整 9 2 4 動量優化法——更新方向優化 9 2 5 Adam演算法 9 2 6 優化方法小結 9 2 7 其他考慮 第10章 循環神經網路和注意力機制 10 1 文本表示與詞嵌入模型 10 1 1 文本表示的基本方法 10 1 2 NNLM模型 10 1 3 Word2Vec模型 10 1 4 Glove模型 10 2 循環神經網路 10 2 1 研究問題與基本結構 10 2 2 隨時間反向傳播演算法 10 2 3 LSTM 10 2 4 其他RNN網路 10 3 注意力機制 10 3 1 注意力機制基本介紹 10 3 2 Transformer模型及其拓展 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢,查後請於PChome商店街私訊告知ISBN或書號,我們即儘速上架。 |