本书对机器学习的核心方法进行了深入而详细的介绍，并特别关注各学科最常用的算法。最大特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合流行的R语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。

本书适合普通高等学校理、工、农、医以及经济学、管理学、社会科学类的高年级本科生与研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或R语言经验。本书将从零开始，让读者快速体会到R语言的美妙与威力。

前辅文
第1章 绪论
  1.1 什么是机器学习
  1.2 机器学习的分类
  1.3 机器学习的术语
  1.4 机器如何学习
  1.5 机器学习与统计学、计量经济学的关系
第2章 R语言入门
  2.1 为何使用R语言
  2.2 R与RStudio的安装
  2.3 计算器与赋值
  2.4 向量
  2.5 缺失值与空值
  2.6 因子
  2.7 矩阵
  2.8 数组
  2.9 列表
  2.10 数据框
  2.11 描述性统计
  2.12 画图
  2.13 读写数据
  2.14 随机抽样
  2.15 条件语句
  2.16 循环语句
  2.17 函数
  2.18 工作空间管理
  2.19 帮助
  2.20 R语言的更新
  2.21 进一步学习R的资源
  习题
第3章 数学回顾
  3.1 微积分
  3.2 最优化
  3.3 线性代数
  3.4 概率统计
  习题
第4章 线性回归
  4.1 监督学习的回归问题
  4.2 最优预测
  4.3 线性回归模型
  4.4 最小二乘法
  4.5 OLS的正交性与几何解释
  4.6 施密特正交化与QR分解
  4.7 拟合优度
  4.8 过拟合与泛化能力
  4.9 偏差与方差的权衡
  4.10 模型评估的再抽样方法
  4.11 线性回归的R案例
  习题
第5章 逻辑回归
  5.1 逻辑回归概述
  5.2 最大似然估计
  5.3 Logit模型的解释
  5.4 非线性模型的拟合优度
  5.5 Logit模型的预测
  5.6 二分类模型的评估
  5.7 ROC与AUC
  5.8 科恩的kappa
  5.9 逻辑回归的R案例
  习题
第6章 多项逻辑回归
  6.1 多项逻辑回归概述
  6.2 最大似然估计
  6.3 多项逻辑回归的解释
  6.4 多项逻辑回归的R案例
  习题
第7章 判别分析
  7.1 贝叶斯决策理论
  7.2 线性判别分析
  7.3 二次判别分析
  7.4 费雪线性判别分析
  7.5 费雪线性判别与基于正态的线性判别之关系
  7.6 多分类问题的费雪判别分析
  7.7 判别分析的R案例
  附录
  习题
第8章 朴素贝叶斯
  8.1 朴素贝叶斯假定
  8.2 拉普拉斯修正
  8.3 朴素贝叶斯的R案例
  习题
第9章 惩罚回归
  9.1 高维回归的挑战
  9.2 岭回归
  9.3 岭回归的计算
  9.4 岭回归的几何解释
  9.5 套索估计量
  9.6 套索估计量的计算
  9.7 调节变量的选择
  9.8 弹性网估计量
  9.9 惩罚回归的R案例
  附录
  习题
第10章 K近邻法
  10.1 回归问题的K近邻法
  10.2 如何选择K
  10.3 分类问题的K近邻法
  10.4 K近邻法的优缺点
  10.5 K近邻法的R案例
  习题
第11章 决策树
  11.1 分类树的启发案例
  11.2 二叉树的数学本质
  11.3 分类树的分裂准则
  11.4 信息理论
  11.5 成本复杂性修枝
  11.6 回归树
  11.7 C5.0算法
  11.8 决策树的优缺点
  11.9 回归树的R案例
  11.10 分类树的R案例
  习题
第12章 随机森林
  12.1 集成学习
  12.2 装袋法
  12.3 装袋法的原理
  12.4 袋外误差
  12.5 随机森林
  12.6 变量重要性
  12.7 偏依赖图
  12.8 回归问题的随机森林R案例
  12.9 分类问题的随机森林R案例
  习题
第13章 提升法
  13.1 自适应提升法
  13.2 AdaBoost的统计解释
  13.3 回归问题的提升法
  13.4 回归问题的其他损失函数
  13.5 梯度提升法
  13.6 二分类问题的逻辑损失函数
  13.7 多分类问题的交叉熵损失函数
  13.8 随机梯度提升
  13.9 回归提升树的R案例
  13.10 二分类提升树的R案例
  13.11 多分类提升树的R案例
  13.12 XGBoost算法
  附录
  习题
第14章 支持向量机
  14.1 分离超平面
  14.2 最大间隔分类器
  14.3 软间隔分类器
  14.4 软间隔分类器的统计解释
  14.5 支持向量机的含义
  14.6 多分类问题的支持向量机
  14.7 支持向量回归
  14.8 支持向量机的优缺点
  14.9 支持向量机的R案例：模拟数据
  14.10 支持向量机的二分类R案例
  14.11 支持向量机的多分类R案例
  14.12 支持向量回归的R案例
  习题
第15章 人工神经网络
  15.1 人工神经网络的思想
  15.2 感知机
  15.3 神经网络的模型
  15.4 神经网络的激活函数
  15.5 通用函数近似器
  15.6 神经网络的损失函数
  15.7 神经网络的算法
  15.8 神经网络的小批量训练
  15.9 神经网络的正则化
  15.10 卷积神经网络
  15.11 回归问题的神经网络R案例
  15.12 二分类问题的神经网络R案例
  15.13 多分类问题的神经网络R案例
  习题
第16章 主成分分析
  16.1 总体中的主成分分析
  16.2 方差分解
  16.3 样本中的主成分分析
  16.4 主成分分析的应用
  16.5 主成分分析的R案例
  16.6 主成分回归的R案例
  习题
第17章 聚类分析
  17.1 K均值聚类的思想
  17.2 K均值聚类的算法
  17.3 如何选择K
  17.4 分层聚类
  17.5 基于相关系数的距离指标
  17.6 K均值聚类的R案例
  17.7 分层聚类的R案例
  习题
第18章 数据科学的R语言
  18.1 何为数据科学
  18.2 管道算子
  18.3 输入数据
  18.4 数据清理
  18.5 数据变换
  18.6 高阶画图
  18.7 机器学习的统一接口
  习题
参考文献