大數(shù)據(jù)挖掘與統(tǒng)計機器學習（第2版）

第1章 概述
1．1 名詞演化
1．2 基本內容
1．3 數(shù)據(jù)智慧
第2章 線性回歸方法
2．1 多元線性回歸
2．2 壓縮方法：嶺回歸與Lasso
2．3 Lasso模型的求解與理論性質
2．4 損失函數(shù)加罰的建?？蚣?br />2．5 上機實踐
2．6 上機實踐：Python
第3章 線性分類方法
3．1 分類問題綜述與評價準則
3．2 Logistic回歸
3．3 線性判別
3．4 上機實踐
3．5 上機實踐：Python
第4章 模型評價與選擇
4．1 基本概念
4．2 。理論方法
4．3 數(shù)據(jù)重利用方法
4．4 上機實踐
4．5 上機實踐：Python
第5章 決策樹與組合方法
5．1 決策樹
5．2 Bagging
5．3 Boosting
5．4 隨機森林
5．5 上機實踐
5．6 上機實踐：Python
第6章 神經(jīng)網(wǎng)絡與深度學習
6．1 神經(jīng)網(wǎng)絡
6．2 深度信念網(wǎng)
6．3 卷積神經(jīng)網(wǎng)絡
6．4 上機實踐
6．5 上機實踐：Python
第7章 支持向量機
7．1 線性可分支持向量機
7．2 軟間隔支持向量機
7．3 一些拓展
7．4 上機實踐
7．5 上機實踐：Python
第8章 聚類分析
8．1 基于距離的聚類
8．2 基于模型和密度的聚類
8．3 稀疏聚類
8．4 雙向聚類
8．5 上機實踐
8．6 上機實踐：Python
第9章 推薦系統(tǒng)9．1 基于鄰居的推薦
9．2 潛在因子與矩陣分解算法
9．3 上機實踐
9．4 上機實踐：Python
第10章 大數(shù)據(jù)案例分析
10．1 智能手機用戶監(jiān)測數(shù)據(jù)案例分析
10．2 美國航空數(shù)據(jù)案例分析
10．3 美國紐約公共自行車數(shù)據(jù)案例分析
參考文獻