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 Louvam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