导语

  

内容提要

  

    本书将使用RStudio和非常棒的mlr程序包开启你的机器学习之旅。这本实用指南简化了理论，避免了不必要的复杂统计和数学知识，所有核心的机器学习技术都通过图形和易于掌握的示例进行清晰的解释。每一章的内容都十分引人入胜，你将掌握如何把新的算法付诸实践，以解决各种预测分析问题，包括泰坦尼克沉船事件中不同乘客的幸存概率、垃圾邮件过滤、毒酒事件调查等。主要内容使用tidyverse程序包处理和绘制数据、监督机器学习和非监督机器学习技术、分类、回归、降维和聚类算法、统计学基础。

    赫芬·I.里斯（Hefin I.Rhvs），UCB资深科学家，拥有伦敦玛丽女王大学威廉·哈维研究院的博士学位，他在YotTube上开设有R与RStudio的视频教程。

第I部分简介
第1章  机器学习介绍
  1.1  机器学习的概念
    1.1.1  人工智能和机器学习
    1.1.2  模型和算法的区别
  1.2  机器学习算法的分类
    1.2.1  监督、无监督和半监督机器学习算法的区别
    1.2.2  分类、回归、降维和聚类算法
    1.2.3  深度学习简介
  1.3  关于机器学习道德影响的思考
  1.4  使用R语言进行机器学习的原因
  1.5  使用哪些数据集
  1.6  从本书可以学到什么
  1.7  本章小结
第2章  使用tidyverse整理、操作和绘制数据
  2.1  tidyverse和整洁数据的概念
  2.2  加载tidyverse
  2.3  tibble程序包及其功能介绍
    2.3.1  创建tibble
    2.3.2  将现有数据框转换为tibble
    2.3.3  数据框和tibble的区别
  2.4  dplyr程序包及其功能介绍
    2.4.1  使用dplyr操作C02数据集
    2.4.2  链接dplyr函数
  2.5  ggplot2程序包及其功能介绍
  2.6  tidyr程序包及其功能介绍
  2.7  purrr程序包及其功能介绍
    2.7.1  使用maptfl函数替换for循环
    2.7.2  返回原子向量而非列表
    2.7.3  在map()系列函数中使用匿名函数
    2.7.4  使用walk()产生函数的副作用
    2.7.5  同时遍历多个列表
  2.8  本章小结
  2.9  练习题答案
    第Ⅱ部分分类算法
第3章  基于相似性的k近邻分类
  3.1  后近邻算法的概念
  3.1  1如何学习k近邻算法
    3.1.2  如果票数相等，会出现什么情况
  3.2  建立第一个kNN模型
    3.2.1  加载和研究糖尿病数据集
    3.2.2  运用mlr训练第一个kNN模型
    3.2.3  mlr想要实现的目标：定义任务
……
第III部分  回归算法
第IV部分  降维算法
第V部分  聚类算法
附录  复习统计学概念