人工智能與大數據（捲1）：基礎概念和模型

購買商店

人工智能與大數據（捲1）：基礎概念和模型

$719.00

馬上購買

內容描述

本書介紹了人工智能和大數據涉及的核心概念和模型。書中涉及概念包括監督和非監督學習、數據類型、可視化、線性回歸、邏輯回歸、分類回歸樹、神經網絡等。同時，本書理論和實際並重，基於真實的實例和數據集，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、大數據和數據科學，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。

目錄大綱

第 1 章 介紹和概述 . 11.1　主要的成功案例和應用 .11.1.1 Netflix 的 120 億美元營收目標 .11.1.2　在醫院急診部使用有限的信息拯救生命 .31.1.3　癌症診斷與損傷預後 .51.1.4 從零開始使用低預算連續贏得 20 場比賽 .61.1.5　殼牌公司深海石油鑽探的預測性資產維護 .71.1.6　預測選舉結果 .81.1.7　星展銀行預測現金需求和優化調度 .91.1.8　新加坡稅務局檢測稅務欺詐 .101.1.9　違規和欺詐貸款風險檢測 .111.2　適合 ADA 解決的問題特徵 .121.3　數據分析、數據科學和人工智能的區別 .131.4 analysis 和 analytics .141.5　組織 ADA 能力的發展曲線 .151.6　規劃、開發和部署 ADA .181.7　四大預測模型 .19第 2 章 基本概念和原則. 212.1　本章目標 .212.2　可視化和模型 .212.3　監督學習和無監督學習 .242.4　模型的可解釋性 .252.5　原則 1：正確模型不唯一 .262.5.1　模型和等式 .282.5.2　評估預測模型 .292.6　原則 2：訓練數據和測試數據分離 . 312.6.1　在訓練 - 測試拆分前進行分層 .332.6.2　有效地執行分層和訓練 - 測試拆分 .342.6.3　訓練集與測試集之間的權衡 .392.7　原則 3：風險校正模型 . 392.7.1　多項式插值定理的影響 .402.7.2　模型復雜度 .41第 3 章 數據探索和摘要. 473.1　本章目標 .473.2　數據初探和 R 語言的 data.table .473.2.1 data.table 的語法 .483.2.2　示例：2014 年的紐約航班 .483.2.3　行篩選 .513.2.4 列排序 .523.2.5　篩選幾列並進行重命名 .533.2.6　進一步的數據探索和問題 .533.3　公共享途微觀樣本數據 .593.3.1 探索 PUMS 中的健康保險覆蓋面數據 .603.3.2　在 R 中導入數據和摘要概述 .613.3.3　缺失值概述 .663.3.4　繪制單一連續變量的圖形摘要—概率密度 .673.3.5　繪制單一分類變量的圖形摘要—條形圖 .713.3.6　繪制分類變量X 和連續變量Y 的圖形摘要—箱線圖 .733.3.7　繪制連續變量X 和連續變量Y 的圖形摘要—散點圖 .753.3.8　繪制連續變量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 數據結構和可視化 . 834.1　本章目標 .834.2　數據結構的格式 .834.3　檢查數據結構 .854.3.1　連續數據和分類數據 .854.3.2　定類數據與定序數據 .874.4　可視化 .904.5　結論 .93第 5 章 數據清洗和準備. 955.1　本章目標 .955.2　缺失值 .955.2.1　更正不一致的缺失值記錄 .965.2.2 NA 和 NULL .985.2.3　處理（真實存在的）缺失值 .995.3　處理分類數據中的 NA 和錯誤值 .1005.4　處理連續數據中的 NA 和錯誤值 .1005.5　結論 .102第 6 章 線性回歸：最佳實踐. 1056.1　本章目標 .1056.2　相關性 .1056.2.1　強相關和因果關系 .1086.2.2　強相關和直線關系 .1096.2.3　弱相關性和無趨勢 .1106.3　單輸入變量的線性回歸 .1126.4　多重R 方和調整R 方 .1156.5　線性回歸方程和線性回歸模型 .1176.6　模型診斷圖 .1186.7　有影響力的異常值 .1196.8　向模型中增加一個二次項 .1216.9　多因子的線性回歸 .1236.10　訓練 - 測試拆分 .1356.11　結論 .137第 7 章 邏輯回歸：最佳實踐. 1407.1　本章目標 .1407.2　相對風險和勝算比 .1407.3　單一連續輸入變量的二元邏輯回歸 .1457.3.1　示例： 基於學習時長預測考試結果 .1487.3.2　邏輯回歸的混淆矩陣 .1527.4　多輸入變量的二元邏輯回歸 .1547.5　多元邏輯回歸 .1597.5.1　多分類值Y 的邏輯函數 .1607.5.2　示例：影響服務評級的因素 .1617.6　結論 .166第 8 章 分類回歸樹 . 1718.1　本章目標 .1718.2　預測心臟病發作的模型和要求 .1728.3　階段 1：使用二分法將樹增長到最大值 .1758.3.1　度量分類變量結點的雜質 .1768.3.2 CART 樹的增長過程 .1798.4 階段 2：用最弱連接剪枝法將樹修剪到最小值 .1808.4.1　最弱連接剪枝 .1828.4.2 rpart 包中的α 和cp .1858.4.3 k 折交叉驗證和 1 標準誤差規則 .1858.5 示例：CART 模型在定向信用卡營銷中的運用 （Y 為分類數據） .1878.6 示例：CART 模型在汽車燃油效率中的運用 （Y 為連續數據） .1988.7　通過代理項自動處理缺失值 .2058.8　結論 .2118.9 rpart 包的重要函數和參數總結 .212第 9 章 神經網絡. 2199.1　本章目標 .2199.2　大腦處理信息過程的建模 .2209.3　信息的處理、關聯和傳輸 .2219.4　示例：巧克力口味測試 .2229.5　通過增加權重訓練神經網絡 .2269.5.1　反向傳播 .2269.5.2　彈性反向傳播和權重回溯 .2289.6　設計神經網絡需要考慮的細節 .2299.6.1　規範所有輸入變量的取值範圍 .2299.6.2　限制網絡復雜度 .2309.6.3 neuralnet 和 nnet .2309.7　示例：不孕風險 .2319.8　結論 .236、第 10 章 字符串和文本挖掘 . 24010.1　本章目標 .24010.2　處理字符串 .24010.3　基本的文本挖掘概念 .24710.3.1　示例：對期刊標題進行分析的字符串操作 .24910.3.2　示例：對期刊標題分析的文本挖掘操作 .25210.3.3　文檔要素矩陣 .25610.3.4　非索引字 .25710.4　情緒分析 .25910.5　結論 .266第 11 章 結束感想和後續計劃. 269附錄 A R 和 RStudio 的安裝 . 271A.1 下載安裝 R .271A.2 下載安裝 RStudio .273A.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 . 275B.1 RStudio 界面的 4 個面板 .275B.2 檢查和設置工作目錄 .280B.3 將數據輸入 RStudio .281B.4 R 中的對象命名約定 .284B.5 R 中的通用運算符 .285B.6 R 函數 .285B.7 創建你自己的 R 函數 .287B.8 練習 R .288

作者介紹

Chew Chee Hua(中文名：周志华），新加披南洋理工大学高级讲师，主讲课程包括分析学、机器学习、商业分析及应用机器学习、分析战略等。曾为政府机构、银行、保险公司、医院和大型企业设计和领导高级分析解决方案。