《Machine Learning for Hackers》是一本实用的机器学习指南,专为编程经验丰富、希望通过实例学习机器学习的读者设计。本书通过多个案例研究,介绍了如何使用R语言进行机器学习任务,从数据探索到模型优化,涵盖了分类、回归、排序、聚类等多种机器学习技术。
《Machine Learning for Hackers》的目录:
-
使用R
- R语言和环境
- 安装和配置R
- 加载和安装R包
-
数据探索
- 数据定义和类型推断
- 数字摘要和统计量
- 探索性数据分析和可视化
-
分类:垃圾邮件过滤
- 二元分类简介
- 条件概率和贝叶斯分类
- 垃圾邮件分类器的实现
-
排序:优先级收件箱
- 排序问题的介绍
- 特征提取和权重分配
- 优先级排序算法
-
回归:预测页面浏览量
- 线性回归模型
- 网页流量预测
-
正则化:文本回归
- 多项式回归模型
- 正则化技术
-
优化:破解代码
- 优化算法简介
- 使用优化算法进行密码破解
-
主成分分析(PCA):构建市场指数
- 无监督学习
- 构建市场指数的案例研究
-
多维尺度法(MDS):探索美国参议员的相似性
- 距离度量和多维尺度法
- 基于投票记录的聚类分析
-
k-近邻算法(kNN):推荐系统
- k-近邻算法
- 构建推荐系统
-
社交网络分析
- 社交网络的分析和可视化
- 构建社交网络推荐系统
-
模型比较
- 支持向量机(SVM)
- 不同机器学习算法的比较
附录:
- 参考文献
- 索引