精通數(shù)據(jù)科學：從線性回歸到深度學習

第 1章 數(shù)據(jù)科學概述 1

1.1　挑戰(zhàn)　2

1.1.1　工程實現(xiàn)的挑戰(zhàn)　2

1.1.2　模型搭建的挑戰(zhàn)　3

1.2　機器學習　5

1.2.1　機器學習與傳統(tǒng)編程　5

1.2.2　監(jiān)督式學習和非監(jiān)督式學習　8

1.3　統(tǒng)計模型　8

1.4　關于本書　10

第　2章 Python安裝指南與簡介：告別空談　12

2.1　Python簡介　13

2.1.1　什么是Python　15

2.1.2　Python在數(shù)據(jù)科學中的地位　16

2.1.3　不可能繞過的第三方庫　17

2.2　Python安裝　17

2.2.1　Windows下的安裝　18

2.2.2　Mac下的安裝　21

2.2.3　Linux下的安裝　24

2.3　Python上手實踐　26

2.3.1　Python shell　26

2.3.2　第 一個Python程序：Word Count　28

2.3.3　Python編程基礎　30

2.3.4　Python的工程結構　34

2.4　本章小結　35

第3章　數(shù)學基礎：惱人但又不可或缺的知識　36

3.1　矩陣和向量空間　37

3.1.1　標量、向量與矩陣　37

3.1.2　特殊矩陣　39

3.1.3　矩陣運算　39

3.1.4　代碼實現(xiàn)　42

3.1.5　向量空間　44

3.2　概率：量化隨機　46

3.2.1　定義概率：事件和概率空間　47

3.2.2　條件概率：信息的價值　48

3.2.3　隨機變量：兩種不同的隨機　50

3.2.4　正態(tài)分布：殊途同歸　52

3.2.5　P-value：自信的猜測　53

3.3　微積分　55

3.3.1　導數(shù)和積分：位置、速度　55

3.3.2　極限：變化的終點　57

3.3.3　復合函數(shù)：鏈式法則　58

3.3.4　多元函數(shù)：偏導數(shù)　59

3.3.5　極值與最值：最優(yōu)選擇　59

3.4　本章小結　61

第4章　線性回歸：模型之母　62

4.1　一個簡單的例子　64

4.1.1　從機器學習的角度看這個問題　66

4.1.2　從統(tǒng)計學的角度看這個問題　69

4.2　上手實踐：模型實現(xiàn)　73

4.2.1　機器學習代碼實現(xiàn)　74

4.2.2　統(tǒng)計方法代碼實現(xiàn)　77

4.3　模型陷阱　82

4.3.1　過度擬合：模型越復雜越好嗎　84

4.3.2　模型幻覺之統(tǒng)計學方案：假設檢驗　87

4.3.3　模型幻覺之機器學習方案：懲罰項　89

4.3.4　比較兩種方案　92

4.4　模型持久化　92

4.4.1　模型的生命周期　93

4.4.2　保存模型　93

4.5　本章小結　96

第5章　邏輯回歸：隱藏因子　97

5.1　二元分類問題：是與否　98

5.1.1　線性回歸：為何失效　98

5.1.2　窗口效應：看不見的才是關鍵　100

5.1.3　邏輯分布：勝者生存　102

5.1.4　參數(shù)估計之似然函數(shù)：統(tǒng)計學角度　104

5.1.5　參數(shù)估計之損失函數(shù)：機器學習角度　104

5.1.6　參數(shù)估計之最終預測：從概率到選擇　106

5.1.7　空間變換：非線性到線性　106

5.2　上手實踐：模型實現(xiàn)　108

5.2.1　初步分析數(shù)據(jù)：直觀印象　108

5.2.2　搭建模型　113

5.2.3　理解模型結果　116

5.3　評估模型效果：孰優(yōu)孰劣　118

5.3.1　查準率與查全率　119

5.3.2　ROC曲線與AUC　123

5.4　多元分類問題：超越是與否　127

5.4.1　多元邏輯回歸：邏輯分布的威力　128

5.4.2　One-vs.-all：從二元到多元　129

5.4.3　模型實現(xiàn)　130

5.5　非均衡數(shù)據(jù)集　132

5.5.1　準確度悖論　132

5.5.2　一個例子　133

5.5.3　解決方法　135

5.6　本章小結　136

第6章　工程實現(xiàn)：計算機是怎么算的　138

6.1　算法思路：模擬滾動　139

6.2　數(shù)值求解：梯度下降法　141

6.3　上手實踐：代碼實現(xiàn)　142

6.3.1　TensorFlow基礎　143

6.3.2　定義模型　148

6.3.3　梯度下降　149

6.3.4　分析運行細節(jié)　150

6.4　更優(yōu)化的算法：隨機梯度下降法　153

6.4.1　算法細節(jié)　153

6.4.2　代碼實現(xiàn)　154

6.4.3　兩種算法比較　156

6.5　本章小結　158

第7章　計量經(jīng)濟學的啟示：他山之石　159

7.1　定量與定性：變量的數(shù)學運算合理嗎　161

7.2　定性變量的處理　162

7.2.1　虛擬變量　162

7.2.2　上手實踐：代碼實現(xiàn)　164

7.2.3　從定性變量到定量變量　168

7.3　定量變量的處理　170

7.3.1　定量變量轉換為定性變量　171

7.3.2　上手實踐：代碼實現(xiàn)　171

7.3.3　基于卡方檢驗的方法　173

7.4　顯著性　175

7.5　多重共線性：多變量的煩惱　176

7.5.1　多重共線性效應　176

7.5.2　檢測多重共線性　180

7.5.3　解決方法　185

7.5.4　虛擬變量陷阱　188

7.6　內生性：變化來自何處　191

7.6.1　來源　192

7.6.2　內生性效應　193

7.6.3　工具變量　195

7.6.4　邏輯回歸的內生性　198

7.6.5　模型的聯(lián)結　200

7.7　本章小結　201

第8章　監(jiān)督式學習： 目標明確　202

8.1　支持向量學習機　203

8.1.1　直觀例子　204

8.1.2　用數(shù)學理解直觀　205

8.1.3　從幾何直觀到最優(yōu)化問題　207

8.1.4　損失項　209

8.1.5　損失函數(shù)與懲罰項　210

8.1.6　Hard margin 與soft margin比較　211

8.1.7　支持向量學習機與邏輯回歸：隱藏的假設　213

8.2　核函數(shù)　216

8.2.1　空間變換：從非線性到線性　216

8.2.2　拉格朗日對偶　218

8.2.3　支持向量　220

8.2.4　核函數(shù)的定義：優(yōu)化運算　221

8.2.5　常用的核函數(shù)　222

8.2.6　Scale variant　225

8.3　決策樹　227

8.3.1　決策規(guī)則　227

8.3.2　評判標準　229

8.3.3　代碼實現(xiàn)　231

8.3.4　決策樹預測算法以及模型的聯(lián)結　231

8.3.5　剪枝　235

8.4　樹的集成　238

8.4.1　隨機森林　238

8.4.2　Random forest embedding　239

8.4.3　GBTs之梯度提升　241

8.4.4　GBTs之算法細節(jié)　242

8.5　本章小結　244

第9章　生成式模型：量化信息的價值　246

9.1　貝葉斯框架　248

9.1.1　蒙提霍爾問題　248

9.1.2　條件概率　249

9.1.3　先驗概率與后驗概率　251

9.1.4　參數(shù)估計與預測公式　251

9.1.5　貝葉斯學派與頻率學派　252

9.2　樸素貝葉斯　254

9.2.1　特征提取：文字到數(shù)字　254

9.2.2　伯努利模型　256

9.2.3　多項式模型　258

9.2.4　TF-IDF　259

9.2.5　文本分類的代碼實現(xiàn)　260

9.2.6　模型的聯(lián)結　265

9.3　判別分析　266

9.3.1　線性判別分析　267

9.3.2　線性判別分析與邏輯回歸比較　269

9.3.3　數(shù)據(jù)降維　270

9.3.4　代碼實現(xiàn)　273

9.3.5　二次判別分析　275

9.4　隱馬爾可夫模型　276

9.4.1　一個簡單的例子　276

9.4.2　馬爾可夫鏈　278

9.4.3　模型架構　279

9.4.4　中文分詞：監(jiān)督式學習　280

9.4.5　中文分詞之代碼實現(xiàn)　282

9.4.6　股票市場：非監(jiān)督式學習　284

9.4.7　股票市場之代碼實現(xiàn)　286

9.5　本章小結　289

第　10章 非監(jiān)督式學習：聚類與降維　290

10.1　K-means　292

10.1.1　模型原理　292

10.1.2　收斂過程　293

10.1.3　如何選擇聚類個數(shù)　295

10.1.4　應用示例　297

10.2　其他聚類模型　298

10.2.1　混合高斯之模型原理　299

10.2.2　混合高斯之模型實現(xiàn)　300

10.2.3　譜聚類之聚類結果　303

10.2.4　譜聚類之模型原理　304

10.2.5　譜聚類之圖片分割　307

10.3　Pipeline　308

10.4　主成分分析　309

10.4.1　模型原理　310

10.4.2　模型實現(xiàn)　312

10.4.3　核函數(shù)　313

10.4.4　Kernel PCA的數(shù)學原理　315

10.4.5　應用示例　316

10.5　奇異值分解　317

10.5.1　定義　317

10.5.2　截斷奇異值分解　317

10.5.3　潛在語義分析　318

10.5.4　大型推薦系統(tǒng)　320

10.6　本章小結　323

第　11章 分布式機器學習：集體力量　325

11.1　Spark簡介　327

11.1.1　Spark安裝　328

11.1.2　從MapReduce到Spark　333

11.1.3　運行Spark　335

11.1.4　Spark DataFrame　336

11.1.5　Spark的運行架構　339

11.2　最優(yōu)化問題的分布式解法　341

11.2.1　分布式機器學習的原理　341

11.2.2　一個簡單的例子　342

11.3　大數(shù)據(jù)模型的兩個維度　344

11.3.1　數(shù)據(jù)量維度　344

11.3.2　模型數(shù)量維度　346

11.4　開源工具的另一面　348

11.4.1　一個簡單的例子　349

11.4.2　開源工具的阿喀琉斯之踵　351

11.5　本章小結　351

第　12章 神經(jīng)網(wǎng)絡：模擬人的大腦　353

12.1　神經(jīng)元　355

12.1.1　神經(jīng)元模型　355

12.1.2　Sigmoid神經(jīng)元與二元邏輯回歸　356

12.1.3　Softmax函數(shù)與多元邏輯回歸　358

12.2　神經(jīng)網(wǎng)絡　360

12.2.1　圖形表示　360

12.2.2　數(shù)學基礎　361

12.2.3　分類例子　363

12.2.4　代碼實現(xiàn)　365

12.2.5　模型的聯(lián)結　369

12.3　反向傳播算法　370

12.3.1　隨機梯度下降法回顧　370

12.3.2　數(shù)學推導　371

12.3.3　算法步驟　373

12.4　提高神經(jīng)網(wǎng)絡的學習效率　373

12.4.1　學習的原理　373

12.4.2　激活函數(shù)的改進　375

12.4.3　參數(shù)初始化　378

12.4.4　不穩(wěn)定的梯度　380

12.5　本章小結　381

第　13章 深度學習：繼續(xù)探索　383

13.1　利用神經(jīng)網(wǎng)絡識別數(shù)字　384

13.1.1　搭建模型　384

13.1.2　防止過擬合之懲罰項　386

13.1.3　防止過擬合之dropout　387

13.1.4　代碼實現(xiàn)　389

13.2　卷積神經(jīng)網(wǎng)絡　394

13.2.1　模型結構之卷積層　395

13.2.2　模型結構之池化層　397

13.2.3　模型結構之完整結構　399

13.2.4　代碼實現(xiàn)　400

13.2.5　結構真的那么重要嗎　405

13.3　其他深度學習模型　406

13.3.1　遞歸神經(jīng)網(wǎng)絡　406

13.3.2　長短期記憶　407

13.3.3　非監(jiān)督式學習　409

13.4　本章小結　411