机器学习实战(使用R\\tidyverse和mlr)

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

Hefin I. Rhys是一位有着8年教授R语言、统计学和机器学习经验的生命科学家和细胞学家。他将自己的统计学/机器学习知识贡献给多项学术研究，并热衷于讲授统计学、机器学习和数据可视化方面的课程。

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 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 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