Машинное обучение на R: экспертные техники для прогностического анализа

Об авторе
О научном редакторе
Предисловие
Для кого предназначена книга
О чем вы прочтете в издании
Что вам нужно для чтения книги
Загрузите файлы примеров кода
Цветные иллюстрации
Условные обозначения
От издательства
Глава 1. Введение в машинное обучение
Происхождение машинного обучения
Область применения машинного обучения и
злоупотребление им
Успехи машинного обучения
Пределы возможностей машинного обучения
Этика машинного обучения
Как учатся машины
Хранение данных
Абстрагирование
Обобщение
Оценка
Машинное обучение на практике
Типы входных данных
Типы алгоритмов машинного обучения
Подбор алгоритмов по входным данным
Машинное обучение с использованием R
Установка R-пакетов
Загрузка и выгрузка R-пакетов
Установка RStudio
Резюме
Глава 2. Управление данными и их интерпретация
Структуры данных R
Векторы
Факторы
Списки
Фреймы данных
Матрицы и массивы
Управление данными в R
Сохранение, загрузка и удаление структур данных
в R
Импорт и сохранение данных из CSV-файлов
Исследование данных и их интерпретация
Структуры данных
Числовые переменные
Категориальные переменные
Взаимосвязи между переменными
Резюме
Глава 3. Ленивое обучение: классификация с
использованием метода ближайших соседей
Что такое классификация методом ближайших
соседей
Алгоритм k-NN
Почему алгоритм k-NN называют ленивым
Пример: диагностика рака молочной железы с
помощью алгоритма k-NN
Этап 1. Сбор данных
Этап 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 4. Вероятностное обучение: классификация с
использованием наивного байесовского
классификатора
Наивный байесовский классификатор
Основные понятия байесовских методов
Наивный байесовский алгоритм
Пример: фильтрация спама в мобильном телефоне с
помощью наивного байесовского алгоритма
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 5. Разделяй и властвуй: классификация с
использованием деревьев решений и правил
Деревья решений
Разделяй и властвуй
Алгоритм дерева решений C5.0
Пример: распознавание рискованных банковских
кредитов с помощью деревьев решений C5.0
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Правила классификации
Отделяй и властвуй
Алгоритм 1R
Алгоритм RIPPER
Правила, построенные на основе деревьев
решений
Когда деревья и правила становятся жадными
Пример: распознавание ядовитых грибов по
алгоритму обучения на основе правил
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 6. Прогнозирование числовых данных:
регрессионные методы
Понятие регрессии
Простая линейная регрессия
Оценка методом наименьших квадратов
Корреляции
Множественная линейная регрессия
Пример: прогнозирование медицинских расходов с
помощью
линейной регрессии
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Определение эффективности модели
Шаг 5. Повышение эффективности модели
Регрессионные деревья и деревья моделей
Дополнение деревьев регрессией
Пример: оценка качества вина с помощью
регрессионного дерева и дерева моделей
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Определение эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 7. Методы "черного ящика": нейронные сети
и метод опорных векторов
Нейронные сети
От биологических нейронов - к искусственным
Функции активации
Топология сети
Обучение нейронной сети методом обратного
распространения ошибки
Пример: моделирование прочности бетона с
помощью
нейронной сети
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Метод опорных векторов
Классификация гиперплоскостями
Использование ядер в нелинейных пространствах
Пример: оптическое распознавание символов с
помощью SVM
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 8. Обнаружение закономерностей: анализ
потребительской корзины с помощью
ассоциативных правил
Ассоциативные правила
Алгоритм Apriori для поиска ассоциативных правил
Измерение интересности правила: поддержка и
доверие
Построение набора правил по принципу Apriori
Пример: выявление часто покупаемых продуктов в
соответствии с ассоциативными правилами
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 9. Поиск групп данных: кластеризация
методом k-средних
Что такое кластеризация
Кластеризация как задача машинного обучения
Алгоритм кластеризации методом k-средних
Сегментация рынка для подростков с
использованием кластеризации методом k-средних
Шаг 1. Сбор данных
Шаг 2. Исследование и подготовка данных
Шаг 3. Обучение модели на данных
Шаг 4. Оценка эффективности модели
Шаг 5. Повышение эффективности модели
Резюме
Глава 10. Оценка эффективности модели
Измерение эффективности классификации
Прогнозы классификатора
Анализ матриц несоответствий
Использование матриц несоответствий для
измерения эффективности
Не только точность: другие показатели
эффективности
Визуализация компромиссов эффективности с
помощью ROC-кривых
Оценка эффективности в будущем
Метод отложенных данных
Резюме
Глава 11. Повышение эффективности модели
Повышение эффективности готовых моделей
Автоматическая настройка параметров с помощью
пакета caret
Повышение эффективности модели с помощью
метаобучения
Понятие ансамблей
Бэггинг
Бустинг
Случайные леса
Резюме
Глава 12. Специальные разделы машинного
обучения
Управление реальными данными и их подготовка
Очистка данных с помощью пакетов tidyverse
Чтение и запись данных во внешние файлы
Получение данных путем запросов к базам данных
SQL
Работа с онлайн-данными и сервисами
Загрузка полного текста веб-страниц
Синтаксический анализ данных, полученных с
веб-страниц
Работа со специфическими данными
Анализ данных в биоинформатике
Анализ и визуализация сетевых данных
Повышение эффективности R
Управление сверхбольшими наборами данных
Ускорение обучения благодаря параллельным
вычислениям
Развертывание оптимизированных алгоритмов
обучения
Вычисления на GPU
Резюме