精通数据科学算法

第 1 章 用k*近邻算法解决分类问题

1.1　Mary对温度的感觉

1.2　实现k*近邻算法

1.3　意大利地区的示例——选择k值

1.4　房屋所有权——数据转换

1.5　文本分类——使用非欧几里德距离

1.6　文本分类——更高维度的k-NN

1.7　小结

1.8　习题

第　2 章 朴素贝叶斯

2.1　医疗检查——贝叶斯定理的基本应用

2.2　贝叶斯定理的证明及其扩展

2.3　西洋棋游戏——独立事件

2.4　朴素贝叶斯分类器的实现

2.5　西洋棋游戏——相关事件

2.6　性别分类——基于连续随机变量的贝叶斯定理

2.7　小结

2.8　习题

第　3 章 决策树

3.1　游泳偏好——用决策树表示数据

3.2　信息论　044

3.3　ID3算法——构造决策树　047

3.4　用决策树进行分类　054

3.5　小结　060

3.6　习题　060

第　4 章 随机森林　064

4.1　随机森林算法概述　064

4.2　游泳偏好——随机森林分析法　065

4.3　随机森林算法的实现　071

4.4　下棋实例　075

4.5　购物分析——克服随机数据的不一致性以及

度量置信水平　082

4.6　小结　084

4.7　习题　084

第　5 章 k-means聚类　089

5.1　家庭收入——聚类为k个簇　089

5.2　性别分类——聚类分类　092

5.3　k-means聚类算法的实现　095

5.4　房产所有权示例——选择簇的数量　099

5.5　小结　105

5.6　习题　105

第　6 章 回归分析　114

6.1　华氏温度和摄氏温度的转换——基于完整数据的线性回归　114

6.2　根据身高预测体重——基于实际数据的线性回归　117

6.3　梯度下降算法及实现　118

6.4　根据距离预测飞行时长　122

6.5　弹道飞行分析——非线性模型　123

6.6　小 结　125

6.7　习 题　125

第　7 章 时间序列分析　130

7.1　商业利润——趋势分析　130

7.2　电子商店的销售额——季节性分析　132

7.3　小 结　140

7.4　习 题　140

附录　A 统计　145

A.1　基本概念　145

A.2　贝叶斯推理　146

A.3　分 布　146

A.4　交叉验证　147

A.5　A/B 测 试　148

附录　B R参考　149

B.1　介 绍　149

B.2　数据类型　150

B.3　线性回归　152

附录　C Python参考　154

C.1　介 绍　154

C.2　数据类型　155

C.3　控 制 流　159

附录　D 数据科学中的算法和方法术语　163