1. <mark id="lgmmt"><ruby id="lgmmt"></ruby></mark>
        <small id="lgmmt"></small>
          <tt id="lgmmt"><button id="lgmmt"></button></tt>
        1. <tt id="lgmmt"><ruby id="lgmmt"></ruby></tt>
          <meter id="lgmmt"><delect id="lgmmt"></delect></meter>
          中國教育裝備采購網 【立即登錄】 【免費注冊】
          資訊
          專題
          人物訪談
          政府采購
          產品庫
          求購庫
          企業庫
          院校庫
          案例·技術
          會展信息
          行業日歷
          體采通

          【新書推薦】《機器學習及R應用》目錄

          中國教育裝備采購網 2020/11/4 14:07:01 圍觀0次 我要分享

            編者薦語:

            《機器學習及R應用》終于上市啦!不少讀者想知道《機器學習及R應用》的目錄。這里附上詳細的二、三級目錄清單,讓我們先睹為快!

            以下文章來源于計量經濟學及Stata應用,作者愛計量。

            計量經濟學及Stata應用

            Our mission is to make econometrics easy, and facilitate convincing empirical works.

          【新書推薦】《機器學習及R應用》目錄

            陳強老師的《機器學習及R應用》終于上市啦!目前已經開始在高等教育出版社的官方微店預售。掃描(或識別)下方二維碼,即可前往售書頁面。

            昨日推文引起極大反響,不少讀者想知道《機器學習及R應用》的目錄。這里附上詳細的二、三級目錄,以饗讀者。

          【新書推薦】《機器學習及R應用》目錄

            內容簡介

            本書對于機器學習的核心方法,進行了深入而詳細的介紹,并特別關注各學科常用的算法。特色在于力圖以生動的語言、較多的插圖與大量的實例來直觀地解釋機器學習的原理。同時,結合流行的R語言,及時地介紹相應的軟件操作與經典案例,為讀者提供“一站式”服務。本書還提供詳盡的數學推導,盡量避免跳躍,并輔以直觀的文字解釋。對于看似復雜的機器學習原理,則刪繁就簡,娓娓道來,讓讀者漸入佳境。

            本書適合普通高等學校經濟管理類以及理工類等的高年級本科生和研究生使用。先修課包括微積分、線性代數與概率統計,但不要求有編程或R語言經驗。本書將從零開始,讓讀者快速體會到R語言的美妙與威力。

            目錄

            1章 緒論

            1.1什么是機器學習

            1.2機器學習的分類

            1.3機器學習的術語

            1.4機器如何學習

            1.5機器學習與統計學、計量經濟學的關系

            2R語言入門

            2.1為何使用R語言

            2.2 R與RStudio的安裝

            2.3計算器與賦值

            2.4向量

            2.5缺失值與空值

            2.6因子

            2.7矩陣

            2.8數組

            2.9列表

            2.10數據框

            2.11描述性統計

            2.12畫圖

            2.13讀寫數據

            2.14隨機抽樣

            2.15條件語句

            2.16循環語句

            2.17函數

            2.18工作空間管理

            2.19幫助

            2.20 R語言的更新

            2.21進一步學習R的資源

            3數學回顧

            3.1 微積分

            3.1.1導數

            3.1.2偏導數

            3.1.3方向導數

            3.1.4向量微分

            3.2 zui優化

            3.2.1一元zui優化

            3.2.2多元zui優化

            3.2.3約束極值問題:等式約束

            3.2.4 約束極值問題:非負約束

            3.2.5 約束極值問題:不等式約束

            3.2.6zui優化算法

            3.3 線性代數

            3.3.1矩陣

            3.3.2方陣

            3.3.3矩陣的轉置

            3.3.4向量

            3.3.5矩陣的加法

            3.3.6矩陣的數乘

            3.3.7矩陣的乘法

            3.3.8線性方程組

            3.3.9逆矩陣

            3.3.10矩陣的秩

            3.3.11正交矩陣

            3.3.12矩陣的特征值與特征向量

            3.3.13實對稱矩陣的對角化與譜分解

            3.3.14二次型

            3.4 概率統計

            3.4.1概率

            3.4.2條件概率

            3.4.3獨立事件

            3.4.4全概率公式

            3.4.5貝葉斯公式

            3.4.6離散型概率分布

            3.4.7連續型概率分布

            3.4.8多維隨機向量的概率分布

            3.4.9條件分布

            3.4.10 隨機向量的數字特征

            3.4.11迭代期望定律

            3.4.12隨機變量無關的三個層次概念

            3.4.13正態分布

            3.4.14Zui大似然估計

            4章 線性回歸

            4.1監督學習的回歸問題

            4.2zui優預測

            4.3線性回歸模型

            4.4zui小二乘法

            4.5 OLS的正交性與幾何解釋

            4.6施密特正交化與QR分解

            4.7擬合優度

            4.8過擬合與泛化能力

            4.9偏差與方差的權衡

            4.10模型評估的再抽樣方法

            4.11線性回歸的R案例

            5章 邏輯回歸

            5.1邏輯回歸

            5.2zui大似然估計

            5.3 Logit模型的解釋

            5.4非線性模型的擬合優度

            5.5 Logit模型的預測

            5.6二分類模型的評估

            5.7 ROC與AUC

            5.8科恩的kappa

            5.9邏輯回歸的R案例

            6多項邏輯回歸

            6.1多項邏輯回歸

            6.2zui大似然估計

            6.3多項邏輯回歸的解釋

            6.4多項邏輯回歸的R案例

            7判別分析

            7.1貝葉斯決策理論

            7.2線性判別分析

            7.3二次判別分析

            7.4費雪線性判別分析

            7.5費雪線性判別與基于正態的線性判別之關系

            7.6多分類問題的費雪判別分析

            7.7判別分析的R案例

            附錄A7.1總體中的多分類費雪判別分析

            附錄A7.2樣本中的多分類費雪判別分析

            附錄A7.3線性判元對于組間方差的貢獻率

            8章 樸素貝葉斯

            8.1樸素貝葉斯

            8.2拉普拉斯修正

            8.3樸素貝葉斯的R案例

            9章 懲罰回歸

            9.1高維回歸的挑戰

            9.2嶺回歸

            9.3嶺回歸的計算

            9.4嶺回歸的幾何解釋

            9.5套索估計量

            9.6套索估計量的計算

            9.7調節變量的選擇

            9.8彈性網估計量

            9.9懲罰回歸的R案例

            附錄A9.1 估計量均方誤差的分解

            附錄A9.2 次梯度向量與次微分

            附錄A9.3 連續凸函數的zui小化定理

            附錄A9.4 標準正交設計下Lasso問題的解析解

            10章 K近鄰法

            10.1回歸問題的K近鄰法

            10.2如何選擇K

            10.3 分類問題的K近鄰法

            10.4K近鄰法的優缺點

            10.5K近鄰法的R案例

            11章 決策樹

            11.1分類樹的啟發案例

            11.2二叉樹的數學本質

            11.3分類樹的分裂準則

            11.4信息理論

            11.5成本復雜性修枝

            11.6回歸樹

            11.7 C5.0算法

            11.8決策樹的優缺點

            11.9回歸樹的R案例

            11.10分類樹的R案例

            12章 隨機森林

            12.1集成學習

            12.2裝袋法

            12.3裝袋法的原理

            12.4袋外誤差

            12.5隨機森林

            12.6變量重要性

            12.7偏依賴圖

            12.8回歸問題的隨機森林R案例

            12.9分類問題的隨機森林R案例

            13章 提升法

            13.1自適應提升法

            13.2 AdaBoost的統計解釋

            13.3回歸問題的提升法

            13.4回歸問題的其他損失函數

            13.5梯度提升法

            13.6二分類問題的邏輯損失函數

            13.7多分類問題的交叉熵損失函數

            13.8隨機梯度提升

            13.9回歸提升樹的R案例

            13.10二分類提升樹的R案例

            13.11 多分類提升樹的R案例

            13.12 XGBoost算法

            附錄A13.1交叉熵損失函數

            14章 支持向量機

            14.1分離超平面

            14.2zui大間隔分類器

            14.3軟間隔分類器

            14.4軟間隔分類器的統計解釋

            14.5支持向量機

            14.6多分類問題的支持向量機

            14.7支持向量回歸

            14.8支持向量機的優缺點

            14.9支持向量機的R案例:模擬數據

            14.10 支持向量機的二分類R案例

            14.11 支持向量機的多分類R案例

            14.12支持向量回歸的R案例

            15章 人工神經網絡

            15.1人工神經網絡的思想

            15.2感知機

            15.3神經網絡的模型

            15.4神經網絡的jihuo函數

            15.5通用函數近似器

            15.6神經網絡的損失函數

            15.7神經網絡的算法

            15.8神經網絡的小批量訓練

            15.9神經網絡的正則化

            15.10卷積神經網絡

            15.11回歸問題的神經網絡R案例

            15.12二分類問題的神經網絡R案例

            15.13多分類問題的神經網絡R案例

            16章 主成分分析

            16.1總體中的主成分分析

            16.2方差分解

            16.3 樣本中的主成分分析

            16.4主成分分析的應用

            16.5主成分分析的R案例

            16.6主成分回歸的R案例

            17章 聚類分析

            17.1K均值聚類的思想

            17.2K均值聚類的算法

            17.3如何選擇K

            17.4分層聚類

            17.5基于相關系數的距離指標

            17.6K均值聚類的R案例

            17.7分層聚類的R案例

            18章 數據科學的R語言

            18.1何為數據科學

            18.2管道算子

            18.3輸入數據

            18.4數據清理

            18.5數據變換

            18.6高階畫圖

            18.7機器學習的統一接口

            據悉,陳強老師即將于2021年1月20日在北京推出“機器學習及R應用”五天現場班,親自講授其新力作《機器學習及R應用》的全書精華。讓我們期待陳強老師的精彩課程吧……

            參考文獻

            陳強,《高級計量經濟學及Stata應用》,第2版,高等教育出版社,2014年

            陳強,《計量經濟學及Stata應用》,高等教育出版社,2015年(好評如潮的配套教學視頻,可在網易云課堂購買)

            陳強,《機器學習及R應用》,高等教育出版社,2020年(配套五天現場班,詳情點擊頁底“閱讀原文”

            陳強,《機器學習及Python應用》,高等教育出版社,2020年,即將出版。

          (c) 2020, 陳強,山東大學經濟學院

          www.econometrics-stata.com

          轉載請注明作者與出處

          【新書推薦】《機器學習及R應用》目錄

          Our mission is to make econometrics easy, and facilitate convincing empirical works.

            科研軟件推薦

          【新書推薦】《機器學習及R應用》目錄

            北京友萬信息科技有限公司,簡稱:友萬科技。英文全稱:Beijing Uone Info&Tech Co.,Ltd,( Uone-Tech )是中國大陸領先的教育和科學軟件分銷商,已在中國300多所高校建立了可靠的分銷渠道。擁有成功的教學資源和數據管理專家。如需申請軟件采購及老版本更新升級請聯系我們,感謝您的支持與關注。聯系方式:徐經理 Tel/WeChat: 18610597626 Email: crystal@uone-tech.cn。

          點擊進入北京友萬信息科技有限公司展臺查看更多 來源:中國教育裝備采購網 作者:陳強,男,1971年出生,山東大學經濟學院教授,數量經濟學博士生導師。 責任編輯:張肖 我要投稿
          2020全國教育裝備云展會
          采購網二維碼

          掃一掃,歡迎關注

          教育裝備采購網官方微信

          掌握教育裝備行業最新、最權威資訊

          相關閱讀

        2. 【新書推薦】陳強《機器學習及R應用》

          【新書推薦】陳強《機器學習及R應用》
          中國教育裝備采購網11-04
          編者薦語:三年磨一劍,期待已久陳強老師的《機器學習及R應用》終于上市啦!本書對于機器學習的核心方法,進行了深入而詳細的介紹,并特別關注各學科常...
        3. 為何14省50+地市選擇青島正日軟件信息技術考試系統?

          為何14省50+地市選擇青島正日軟件信息技術考試系統?
          中國教育裝備采購網09-15
          截至2019年,青島正日軟件的考試服務用戶覆蓋山東、湖北、山西、內蒙古、遼寧、河南、四川、新疆等全國14個?。ㄗ灾螀^)、50多個地市,為超過3000萬考...
        4. 架起一座“藍橋”,藍凌讓千萬師生享受全新數字化教育

          架起一座“藍橋”,藍凌讓千萬師生享受全新數字化教育
          美通社08-26
          深圳2020年8月24日/美通社/--疫情影響之下,全國大中小學校及各類教培機構不得不延遲開學。在國家“停課不停學”的號召下,及各級教育部門、學校、校外...
        5. 安全桌面軟件Secure Desktop 11已正式發布

          安全桌面軟件Secure Desktop 11已正式發布
          中國教育裝備采購網08-14
          SecureDesktop11是創建基于瀏覽器的桌面系統的理想方法,該系統用于工廠自動化,零售銷售點,接待亭,圖書館,學校,實驗室和咖啡館。在需要基于瀏覽器...
        6. Hydro GeoAnalyst地下水與環境數據管理軟件9.0版本已正式發布

          Hydro GeoAnalyst地下水與環境數據管理軟件9.0版本已正式發布
          中國教育裝備采購網07-08
          HydroGeoAnalyst(HGA)是綜合和易于使用的環境數據管理系統。HGA將世界各地使用的可定制數據庫結構與用于數據解釋、統計分析、地理信息系統(GIS)繪...
        7. 教育部、工業和信息化部聯合啟動特色化示范性軟件學院建設工作
          教育部06-21
          近日,教育部、工業和信息化部聯合發布《特色化示范性軟件學院建設指南(試行)》,聚焦國家軟件產業發展重點,在關鍵基礎軟件、大型工業軟件、行業應用軟件、新型平臺軟件、嵌入式軟件等領域,...
        8. 統計分析軟件SPSS Statistics V27已正式發布!

          統計分析軟件SPSS Statistics V27已正式發布!
          中國教育裝備采購網06-18
          SPSSStatistics是功能強大的統計軟件平臺,旨在通過即席分析,假設檢驗,地理空間分析和預測分析來解決業務和研究問題。組織使用SPSSStatistics來理解...
        9. 開始報名 | 云技術研討會—軟件測試專場

          開始報名 | 云技術研討會—軟件測試專場
          中國教育裝備采購網06-16
          隨著“軟件定義汽車”的時代到來,一大批新興的技術廣泛應用于汽車,包括云計算、大數據、人工智能、車聯網、智能駕駛、三電系統等,使得智能網聯汽車...
        10. 版權與免責聲明:

          ① 凡本網注明"來源:中國教育裝備采購網"的所有作品,版權均屬于中國教育裝備采購網,未經本網授權不得轉載、摘編或利用其它方式使用。已獲本網授權的作品,應在授權范圍內使用,并注明"來源:中國教育裝備采購網"。違者本網將追究相關法律責任。

          ② 本網凡注明"來源:XXX(非本網)"的作品,均轉載自其它媒體,轉載目的在于傳遞更多信息,并不代表本網贊同其觀點和對其真實性負責,且不承擔此類作品侵權行為的直接責任及連帶責任。如其他媒體、網站或個人從本網下載使用,必須保留本網注明的"稿件來源",并自負版權等法律責任。

          ③ 如涉及作品內容、版權等問題,請在作品發表之日起兩周內與本網聯系,否則視為放棄相關權利。

          2020全國教育裝備云展會
          ?
          上海福彩快三