第1章 机器学习引言 1
1.1什么是机器学习 1
1.2分类方法概述 2
1.3聚类方法概述 2
1.4监督学习概述 3
1.5无监督学习概述 4
1.6增强学习概述 4
1.7结构化预测概述 5
1.8神经网络概述 5
1.9深度学习概述 6
第2章 分类 7
2.1引言 7
2.2判别函数分析：地下卤水地质化学测量 8
2.3多元逻辑回归：理解学生的课程计划选择 15
2.4 Tobit回归：评估学生的学术能力 20
2.5泊松回归：理解加拉帕戈斯群岛现存物种 27
第3章 聚类 38
3.1引言 38
3.2层次聚类：世界银行样本数据集 39
3.3层次聚类：1999～2010年亚马逊雨林的烧毁情况 44
3.4层次聚类：基因聚类 55
3.5二进制聚类：数学测验 68
3.6 k均值聚类：欧洲各国蛋白质消耗量 75
3.7 k均值聚类：食品 80
第4章 模型选择和正则化 86
4.1引言 86
4.2压缩方法：每天消耗的卡路里 87
4.3降维方法：Delta航空公司航空队 100
4.4主成分分析：理解世界菜肴 109
第5章 非线性 114
5.1广义加性模型：衡量新西兰的家庭收入 114
5.2平滑样条：理解汽车和速度 119
5.3局部回归：理解干旱警告和影响 129
第6章 监督学习 136
6.1引言 136
6.2决策树学习：对胸痛患者的预先医疗护理指示 137
6.3决策树学习：基于收入的房地产价值分布 145
6.4决策树学习：预测股票走势方向 154
6.5朴素贝叶斯：预测股票走势方向 170
6.6随机森林：货币交易策略 184
6.7支持向量机：货币交易策略 193
6.8随机梯度下降：成人收入 201
第7章 无监督学习 208
7.1引言 208
7.2自组织映射：可视化热图 209
7.3矢量量化：图像聚类 212
第8章 增强学习 217
8.1引言 217
8.2马尔可夫链：股票区制转移模型 218
8.3马尔可夫链：多渠道归因模型 229
8.4马尔可夫链：汽车租赁代理服务 239
8.5连续马尔可夫链：加油站的车辆服务 243
8.6蒙特卡罗模拟：校准Hull-White短期利率 247
第9章 结构化预测 257
9.1引言 257
9.2隐马尔可夫模型：欧元和美元 257
9.3隐马尔可夫模型：区制检测 263
第10章 神经网络 270
10.1引言 270
10.2为S＆P 500建模 270
10.3衡量失业率 278
第11章 深度学习 292
11.1引言 292
11.2循环神经网络：预测周期信号 292
第12章 案例研究：探索世界银行数据 299
12.1引言 299
12.2探索世界银行数据 299
第13章 案例研究：再保险合同定价 316
13.1引言 316
13.2再保险合同定价 316
第14章 案例研究：用电量预测 329
14.1引言 329
14.2用电量测量 329