大数据挖掘与统计机器学习（第2版）

　　《大数据挖掘与统计机器学习（第2版）/大数据分析统计应用丛书》介绍数据挖掘与统计机器学习领域常用的模型和算法，包括基础的线性回归和线性分类方法，以及模型选择和模型评价的概念和方法，进而介绍非线性的回归和分类方法（包括决策树与组合方法、支持向量机、神经网络以及在此基础上发展的深度学习方法）。最后介绍无监督的学习中的聚类方法和业界广泛使用的推荐系统方法。除了方法的理论讲解之外，我们给出了每种方法的R语言及Python语言实现。《大数据挖掘与统计机器学习（第2版）/大数据分析统计应用丛书》的一个亮点是最后一章给出的三个大数据案例，数据量均在10G左右。

暂缺《大数据挖掘与统计机器学习（第2版）》作者简介

第1章 概述
1．1 名词演化
1．2 基本内容
1．3 数据智慧
第2章 线性回归方法
2．1 多元线性回归
2．2 压缩方法：岭回归与Lasso
2．3 Lasso模型的求解与理论性质
2．4 损失函数加罚的建模框架
2．5 上机实践
2．6 上机实践：Python
第3章 线性分类方法
3．1 分类问题综述与评价准则
3．2 Logistic回归
3．3 线性判别
3．4 上机实践
3．5 上机实践：Python
第4章 模型评价与选择
4．1 基本概念
4．2 。理论方法
4．3 数据重利用方法
4．4 上机实践
4．5 上机实践：Python
第5章 决策树与组合方法
5．1 决策树
5．2 Bagging
5．3 Boosting
5．4 随机森林
5．5 上机实践
5．6 上机实践：Python
第6章 神经网络与深度学习
6．1 神经网络
6．2 深度信念网
6．3 卷积神经网络
6．4 上机实践
6．5 上机实践：Python
第7章 支持向量机
7．1 线性可分支持向量机
7．2 软间隔支持向量机
7．3 一些拓展
7．4 上机实践
7．5 上机实践：Python
第8章 聚类分析
8．1 基于距离的聚类
8．2 基于模型和密度的聚类
8．3 稀疏聚类
8．4 双向聚类
8．5 上机实践
8．6 上机实践：Python
第9章 推荐系统9．1 基于邻居的推荐
9．2 潜在因子与矩阵分解算法
9．3 上机实践
9．4 上机实践：Python
第10章 大数据案例分析
10．1 智能手机用户监测数据案例分析
10．2 美国航空数据案例分析
10．3 美国纽约公共自行车数据案例分析
参考文献