人工智能與大數(shù)據(jù)：基礎概念和模型（卷1）

定　價：￥119.90

作　者：	（新加坡）周志華（Chew Chee Hua）
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115575753	出版時間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	289	字數(shù)：

內(nèi)容簡介

　　本書介紹了人工智能和大數(shù)據(jù)涉及的核心概念和模型。書中涉及概念包括監(jiān)督和非監(jiān)督學習、數(shù)據(jù)類型、可視化、線性回歸、邏輯回歸、分類回歸樹、神經(jīng)網(wǎng)絡等。同時，本書理論和實際并重，基于真實的實例和數(shù)據(jù)集，引入了R語言演示實際計算和操作，為讀者展示解決實際問題的代碼，從而讓讀者掌握在實際生活中解決相關問題的方法。本書適合想要綜合學習人工智能、大數(shù)據(jù)和數(shù)據(jù)科學，尤其是想要依靠這些學科解決實際問題的人學習，也適合作為相關課程的參考教材。

作者簡介

　　Chew Chee Hua（中文名：周志華），新加披南洋理工大學高級講師，主講課程包括分析學、機器學習、商業(yè)分析及應用機器學習、分析戰(zhàn)略等。曾為政府機構、銀行、保險公司、醫(yī)院和大型企業(yè)設計和領導高級分析解決方案。

圖書目錄

第 1 章介紹和概述． 1
1．1　主要的成功案例和應用．1
1．1．1 Netflix 的 120 億美元營收目標．1
1．1．2　在醫(yī)院急診部使用有限的信息拯救生命．3
1．1．3　癌癥診斷與損傷預后．5
1．1．4 從零開始使用低預算連續(xù)贏得 20 場比賽．6
1．1．5　殼牌公司深海石油鉆探的預測性資產(chǎn)維護．7
1．1．6　預測選舉結果．8
1．1．7　星展銀行預測現(xiàn)金需求和優(yōu)化調度．9
1．1．8　新加坡稅務局檢測稅務欺詐．10
1．1．9　違規(guī)和欺詐貸款風險檢測．11
1．2　適合 ADA 解決的問題特征．12
1．3　數(shù)據(jù)分析、數(shù)據(jù)科學和人工智能的區(qū)別．13
1．4 analysis 和 analytics ．14
1．5　組織 ADA 能力的發(fā)展曲線．15
1．6　規(guī)劃、開發(fā)和部署 ADA ．18
1．7　四大預測模型．19
第 2 章基本概念和原則． 21
2．1　本章目標．21
2．2　可視化和模型．21
2．3　監(jiān)督學習和無監(jiān)督學習．24
2．4　模型的可解釋性．25
2．5　原則 1：正確模型不唯一．26
2．5．1　模型和等式．28
2．5．2　評估預測模型．29
2．6　原則 2：訓練數(shù)據(jù)和測試數(shù)據(jù)分離． 31
2．6．1　在訓練 - 測試拆分前進行分層．33
2．6．2　有效地執(zhí)行分層和訓練 - 測試拆分．34
2．6．3　訓練集與測試集之間的權衡．39
2．7　原則 3：風險校正模型． 39
2．7．1　多項式插值定理的影響．40
2．7．2　模型復雜度．41
第 3 章數(shù)據(jù)探索和摘要． 47
3．1　本章目標．47
3．2　數(shù)據(jù)初探和 R 語言的 data．table ．47
3．2．1 data．table 的語法．48
3．2．2　示例：2014 年的紐約航班．48
3．2．3　行篩選．51
3．2．4 列排序．52
3．2．5　篩選幾列并進行重命名．53
3．2．6　進一步的數(shù)據(jù)探索和問題．53
3．3　公共用途微觀樣本數(shù)據(jù) ．59
3．3．1 探索 PUMS 中的健康保險覆蓋面數(shù)據(jù) ．60
3．3．2　在 R 中導入數(shù)據(jù)和摘要概述．61
3．3．3　缺失值概述．66
3．3．4　繪制單一連續(xù)變量的圖形摘要—概率密度．67
3．3．5　繪制單一分類變量的圖形摘要—條形圖．71
3．3．6　繪制分類變量X 和連續(xù)變量Y 的圖形摘要—箱線圖．73
3．3．7　繪制連續(xù)變量X 和連續(xù)變量Y 的圖形摘要—散點圖．75
3．3．8　繪制連續(xù)變量X 和分類變量X 的圖形摘要—抖動
散點圖．76
3．4　結論．79
第 4 章數(shù)據(jù)結構和可視化． 83
4．1　本章目標．83
4．2　數(shù)據(jù)結構的格式．83
4．3　檢查數(shù)據(jù)結構．85
4．3．1　連續(xù)數(shù)據(jù)和分類數(shù)據(jù) ．85
4．3．2　定類數(shù)據(jù)與定序數(shù)據(jù) ．87
4．4　可視化．90
4．5　結論．93
第 5 章數(shù)據(jù)清洗和準備． 95
5．1　本章目標．95
5．2　缺失值．95
5．2．1　更正不一致的缺失值記錄．96
5．2．2 NA 和 NULL ．98
5．2．3　處理（真實存在的）缺失值．99
5．3　處理分類數(shù)據(jù)中的 NA 和錯誤值．100
5．4　處理連續(xù)數(shù)據(jù)中的 NA 和錯誤值．100
5．5　結論．102
第 6 章線性回歸：最佳實踐． 105
6．1　本章目標．105
6．2　相關性．105
6．2．1　強相關和因果關系．108
6．2．2　強相關和直線關系．109
6．2．3　弱相關性和無趨勢．110
6．3　單輸入變量的線性回歸．112
6．4　多重R 方和調整R 方．115
6．5　線性回歸方程和線性回歸模型．117
6．6　模型診斷圖．118
6．7　有影響力的異常值．119
6．8　向模型中增加一個二次項．121
6．9　多因子的線性回歸．123
6．10　訓練 - 測試拆分．135
6．11　結論．137
第 7 章邏輯回歸：最佳實踐． 140
7．1　本章目標．140
7．2　相對風險和勝算比．140
7．3　單一連續(xù)輸入變量的二元邏輯回歸．145
7．3．1　示例：基于學習時長預測考試結果．148
7．3．2　邏輯回歸的混淆矩陣．152
7．4　多輸入變量的二元邏輯回歸．154
7．5　多元邏輯回歸．159
7．5．1　多分類值Y 的邏輯函數(shù) ．160
7．5．2　示例：影響服務評級的因素．161
7．6　結論．166
第 8 章分類回歸樹． 171
8．1　本章目標．171
8．2　預測心臟病發(fā)作的模型和要求．172
8．3　階段 1：使用二分法將樹增長到最大值．175
8．3．1　度量分類變量結點的雜質．176
8．3．2 CART 樹的增長過程．179
8．4 階段 2：用最弱連接剪枝法將樹修剪到最小值．180
8．4．1　最弱連接剪枝．182
8．4．2 rpart 包中的α 和cp ．185
8．4．3 k 折交叉驗證和 1 標準誤差規(guī)則．185
8．5 示例：CART 模型在定向信用卡營銷中的運用
（Y 為分類數(shù)據(jù)）．187
8．6 示例：CART 模型在汽車燃油效率中的運用
（Y 為連續(xù)數(shù)據(jù)）．198
8．7　通過代理項自動處理缺失值．205
8．8　結論．211
8．9 rpart 包的重要函數(shù)和參數(shù)總結．212
第 9 章神經(jīng)網(wǎng)絡． 219
9．1　本章目標．219
9．2　大腦處理信息過程的建模．220
9．3　信息的處理、關聯(lián)和傳輸．221
9．4　示例：巧克力口味測試．222
9．5　通過增加權重訓練神經(jīng)網(wǎng)絡．226
9．5．1　反向傳播．226
9．5．2　彈性反向傳播和權重回溯．228
9．6　設計神經(jīng)網(wǎng)絡需要考慮的細節(jié) ．229
9．6．1　規(guī)范所有輸入變量的取值范圍．229
9．6．2　限制網(wǎng)絡復雜度．230
9．6．3 neuralnet 和 nnet ．230
9．7　示例：不孕風險．231
9．8　結論．236、
第 10 章字符串和文本挖掘． 240
10．1　本章目標．240
10．2　處理字符串．240
10．3　基本的文本挖掘概念．247
10．3．1　示例：對期刊標題進行分析的字符串操作．249
10．3．2　示例：對期刊標題分析的文本挖掘操作．252
10．3．3　文檔要素矩陣．256
10．3．4　非索引字．257
10．4　情緒分析．259
10．5　結論．266
第 11 章結束感想和后續(xù)計劃． 269
附錄 A R 和 RStudio 的安裝． 271
A．1 下載安裝 R ．271
A．2 下載安裝 RStudio ．273
A．3 在 RStudio 中將 R 升級到最新版本．274
附錄 B 基本的 R 命令和腳本． 275
B．1 RStudio 界面的 4 個面板．275
B．2 檢查和設置工作目錄．280
B．3 將數(shù)據(jù)輸入 RStudio ．281
B．4 R 中的對象命名約定．284
B．5 R 中的通用運算符．285
B．6 R 函數(shù) ．285
B．7 創(chuàng)建你自己的 R 函數(shù) ．287
B．8 練習 R ．288