本书深入浅出地介绍了机器学习与大数据分析的核心方法，包括无监督学习、监督学习、稀疏学习、深度学习、集成学习及增量学习六大部分。书中不仅注重理论推导，还通过丰富的插图和实例直观解释原理。同时，提供R与Python两种语言的实现方法，方便读者实操练习。
本书适合普通高等学校统计学类专业、数据科学相关专业本科高年级学生或研究生使用，也可供从事大数据分析、人工智能、机器学习等领域的科技工作者参考。
前辅文 第一部分 无监督学习 第一章 聚类分析 1.1 简介 1.2 相似度 1.3 K均值聚类 1.4 模糊C均值聚类 1.5 高斯混合聚类 1.6 层次聚类 1.7 DBSCAN聚类 1.8 其他类型聚类方法 1.9 聚类实践 本章小结 习题 第二章 主成分分析 2.1 简介 2.2 总体的主成分 2.3 样本主成分 2.4 非线性主成分分析 2.5 主成分分析实践 本章小结 习题 第二部分 监督学习 第三章 回归分析 3.1 简介 3.2 单响应变量的线性回归模型 3.3 广义线性模型 3.4 多元响应变量协方差广义线性模型 3.5 回归分析实践 本章小结 习题 第四章 支持向量机 4.1 简介 4.2 SVM算法 4.3 SVM与逻辑斯谛回归的关系 4.4 支持向量回归 4.5 SVM实践 本章小结 习题 第五章 决策树 5.1 简介 5.2 决策树的基本原理 5.3 分类树与回归树 5.4 分支条件 5.5 剪枝 5.6 决策树实践 本章小结 习题 第六章 保形预测简介 6.1. 简单运用 6.2 保形回归 6.3 保形方法 6.4 保形分类 6.5 保形预测实践 本章小结 习题 第三部分 稀疏学习 第七章 模型选择 7.1 简介 7.2 基于准则的方法 7.3 基于检验的方法 7.4 正则化方法 7.5 模型选择实践 本章小结 习题 第八章 特征筛选 8.1 简介 8.2 基于边际模型的特征筛选 8.3 基于边际相关系数的特征筛选 8.4 高维分类数据的特征筛选 8.5 特征筛选实践 本章小结 习题 第四部分 深度学习 第九章 人工神经网络 9.1 简介 9.2 人工神经元 9.3 前馈神经网络 9.4 神经网络的正向与反向传播算法 9.5 径向基网络 9.6 其他常见的神经网络 9.7 神经网络实践 本章小结 习题 第十章 深度学习 10.1 简介 10.2 卷积神经网络 10.3 简单循环神经网络 10.4 长短时记忆神经网络 10.5 自编码器 10.6 玻尔兹曼机 10.7 深度学习实践 本章小结 习题 第五部分 集成学习 第十一章 随机森林 11.1 简介 11.2 随机森林基本概况 11.3 随机森林基本理论 11.4 随机森林实践 本章小结 习题 第十二章 Boosting方法 12.1 简介 12.2 AdaBoost算法的误差分析 12.3 AdaBoost算法原理探析 12.4 Boosting算法的演化 12.5 AdaBoost算法实践 本章小结 习题 第十三章 模型平均 13.1 简介 13.2 贝叶斯模型平均 13.3 频率模型平均 13.4 权重选择方法 13.5 模型平均实践 本章小结 习题 第六部分 增量学习 第十四章 在线学习 14.1 简介 14.2 累积统计量在线学习 14.3 在线梯度下降 14.4 基于正则化的在线梯度下降 14.5 在线学习实践 本章小结 习题 第十五章 并行计算 15.1 简介 15.2 并行计算相关概念 15.3 基于CPU线程的并行计算 15.4 基于CPU进程的并行计算 15.5 基于GPU线程的并行计算 15.6 并行计算实践 本章小结 习题 第十六章 迁移学习 16.1 迁移学习的概述 16.2 实例加权方法 16.3 统计特征变换方法 16.4 几何特征变换方法 16.5 迁移学习实践 本章小结 习题 参考文献
