編者薦語：
《機器學(xué)習(xí)及R應(yīng)用》終于上市啦！不少讀者想知道《機器學(xué)習(xí)及R應(yīng)用》的目錄。這里附上詳細(xì)的二、三級目錄清單，讓我們先睹為快！
以下文章來源于計量經(jīng)濟學(xué)及Stata應(yīng)用，作者愛計量。
計量經(jīng)濟學(xué)及Stata應(yīng)用
Our mission is to make econometrics easy, and facilitate convincing empirical works.
陳強老師的《機器學(xué)習(xí)及R應(yīng)用》終于上市啦！目前已經(jīng)開始在高等教育出版社的官方微店預(yù)售。掃描（或識別）下方二維碼，即可前往售書頁面。
昨日推文引起極大反響，不少讀者想知道《機器學(xué)習(xí)及R應(yīng)用》的目錄。這里附上詳細(xì)的二、三級目錄，以饗讀者。
內(nèi)容簡介
本書對于機器學(xué)習(xí)的核心方法，進(jìn)行了深入而詳細(xì)的介紹，并特別關(guān)注各學(xué)科常用的算法。特色在于力圖以生動的語言、較多的插圖與大量的實例來直觀地解釋機器學(xué)習(xí)的原理。同時，結(jié)合流行的R語言，及時地介紹相應(yīng)的軟件操作與經(jīng)典案例，為讀者提供“一站式”服務(wù)。本書還提供詳盡的數(shù)學(xué)推導(dǎo)，盡量避免跳躍，并輔以直觀的文字解釋。對于看似復(fù)雜的機器學(xué)習(xí)原理，則刪繁就簡，娓娓道來，讓讀者漸入佳境。
本書適合普通高等學(xué)校經(jīng)濟管理類以及理工類等的高年級本科生和研究生使用。先修課包括微積分、線性代數(shù)與概率統(tǒng)計，但不要求有編程或R語言經(jīng)驗。本書將從零開始，讓讀者快速體會到R語言的美妙與威力。
目錄
第1章 緒論
1.1什么是機器學(xué)習(xí)
1.2機器學(xué)習(xí)的分類
1.3機器學(xué)習(xí)的術(shù)語
1.4機器如何學(xué)習(xí)
1.5機器學(xué)習(xí)與統(tǒng)計學(xué)、計量經(jīng)濟學(xué)的關(guān)系
第2章R語言入門
2.1為何使用R語言
2.2 R與RStudio的安裝
2.3計算器與賦值
2.4向量
2.5缺失值與空值
2.6因子
2.7矩陣
2.8數(shù)組
2.9列表
2.10數(shù)據(jù)框
2.11描述性統(tǒng)計
2.12畫圖
2.13讀寫數(shù)據(jù)
2.14隨機抽樣
2.15條件語句
2.16循環(huán)語句
2.17函數(shù)
2.18工作空間管理
2.19幫助
2.20 R語言的更新
2.21進(jìn)一步學(xué)習(xí)R的資源
第3章數(shù)學(xué)回顧
3.1 微積分
3.1.1導(dǎo)數(shù)
3.1.2偏導(dǎo)數(shù)
3.1.3方向?qū)?shù)
3.1.4向量微分
3.2 zui優(yōu)化
3.2.1一元zui優(yōu)化
3.2.2多元zui優(yōu)化
3.2.3約束極值問題：等式約束
3.2.4 約束極值問題：非負(fù)約束
3.2.5 約束極值問題：不等式約束
3.2.6zui優(yōu)化算法
3.3 線性代數(shù)
3.3.1矩陣
3.3.2方陣
3.3.3矩陣的轉(zhuǎn)置
3.3.4向量
3.3.5矩陣的加法
3.3.6矩陣的數(shù)乘
3.3.7矩陣的乘法
3.3.8線性方程組
3.3.9逆矩陣
3.3.10矩陣的秩
3.3.11正交矩陣
3.3.12矩陣的特征值與特征向量
3.3.13實對稱矩陣的對角化與譜分解
3.3.14二次型
3.4 概率統(tǒng)計
3.4.1概率
3.4.2條件概率
3.4.3獨立事件
3.4.4全概率公式
3.4.5貝葉斯公式
3.4.6離散型概率分布
3.4.7連續(xù)型概率分布
3.4.8多維隨機向量的概率分布
3.4.9條件分布
3.4.10 隨機向量的數(shù)字特征
3.4.11迭代期望定律
3.4.12隨機變量無關(guān)的三個層次概念
3.4.13正態(tài)分布
3.4.14Zui大似然估計
第4章 線性回歸
4.1監(jiān)督學(xué)習(xí)的回歸問題
4.2zui優(yōu)預(yù)測
4.3線性回歸模型
4.4zui小二乘法
4.5 OLS的正交性與幾何解釋
4.6施密特正交化與QR分解
4.7擬合優(yōu)度
4.8過擬合與泛化能力
4.9偏差與方差的權(quán)衡
4.10模型評估的再抽樣方法
4.11線性回歸的R案例
第5章 邏輯回歸
5.1邏輯回歸
5.2zui大似然估計
5.3 Logit模型的解釋
5.4非線性模型的擬合優(yōu)度
5.5 Logit模型的預(yù)測
5.6二分類模型的評估
5.7 ROC與AUC
5.8科恩的kappa
5.9邏輯回歸的R案例
第6章多項邏輯回歸
6.1多項邏輯回歸
6.2zui大似然估計
6.3多項邏輯回歸的解釋
6.4多項邏輯回歸的R案例
第7章判別分析
7.1貝葉斯決策理論
7.2線性判別分析
7.3二次判別分析
7.4費雪線性判別分析
7.5費雪線性判別與基于正態(tài)的線性判別之關(guān)系
7.6多分類問題的費雪判別分析
7.7判別分析的R案例
附錄A7.1總體中的多分類費雪判別分析
附錄A7.2樣本中的多分類費雪判別分析
附錄A7.3線性判元對于組間方差的貢獻(xiàn)率
第8章 樸素貝葉斯
8.1樸素貝葉斯
8.2拉普拉斯修正
8.3樸素貝葉斯的R案例
第9章 懲罰回歸
9.1高維回歸的挑戰(zhàn)
9.2嶺回歸
9.3嶺回歸的計算
9.4嶺回歸的幾何解釋
9.5套索估計量
9.6套索估計量的計算
9.7調(diào)節(jié)變量的選擇
9.8彈性網(wǎng)估計量
9.9懲罰回歸的R案例
附錄A9.1 估計量均方誤差的分解
附錄A9.2 次梯度向量與次微分
附錄A9.3 連續(xù)凸函數(shù)的zui小化定理
附錄A9.4 標(biāo)準(zhǔn)正交設(shè)計下Lasso問題的解析解
第10章 K近鄰法
10.1回歸問題的K近鄰法
10.2如何選擇K
10.3 分類問題的K近鄰法
10.4K近鄰法的優(yōu)缺點
10.5K近鄰法的R案例
第11章 決策樹
11.1分類樹的啟發(fā)案例
11.2二叉樹的數(shù)學(xué)本質(zhì)
11.3分類樹的分裂準(zhǔn)則
11.4信息理論
11.5成本復(fù)雜性修枝
11.6回歸樹
11.7 C5.0算法
11.8決策樹的優(yōu)缺點
11.9回歸樹的R案例
11.10分類樹的R案例
第12章 隨機森林
12.1集成學(xué)習(xí)
12.2裝袋法
12.3裝袋法的原理
12.4袋外誤差
12.5隨機森林
12.6變量重要性
12.7偏依賴圖
12.8回歸問題的隨機森林R案例
12.9分類問題的隨機森林R案例
第13章 提升法
13.1自適應(yīng)提升法
13.2 AdaBoost的統(tǒng)計解釋
13.3回歸問題的提升法
13.4回歸問題的其他損失函數(shù)
13.5梯度提升法
13.6二分類問題的邏輯損失函數(shù)
13.7多分類問題的交叉熵?fù)p失函數(shù)
13.8隨機梯度提升
13.9回歸提升樹的R案例
13.10二分類提升樹的R案例
13.11 多分類提升樹的R案例
13.12 XGBoost算法
附錄A13.1交叉熵?fù)p失函數(shù)
第14章 支持向量機
14.1分離超平面
14.2zui大間隔分類器
14.3軟間隔分類器
14.4軟間隔分類器的統(tǒng)計解釋
14.5支持向量機
14.6多分類問題的支持向量機
14.7支持向量回歸
14.8支持向量機的優(yōu)缺點
14.9支持向量機的R案例：模擬數(shù)據(jù)
14.10 支持向量機的二分類R案例
14.11 支持向量機的多分類R案例
14.12支持向量回歸的R案例
第15章 人工神經(jīng)網(wǎng)絡(luò)
15.1人工神經(jīng)網(wǎng)絡(luò)的思想
15.2感知機
15.3神經(jīng)網(wǎng)絡(luò)的模型
15.4神經(jīng)網(wǎng)絡(luò)的jihuo函數(shù)
15.5通用函數(shù)近似器
15.6神經(jīng)網(wǎng)絡(luò)的損失函數(shù)
15.7神經(jīng)網(wǎng)絡(luò)的算法
15.8神經(jīng)網(wǎng)絡(luò)的小批量訓(xùn)練
15.9神經(jīng)網(wǎng)絡(luò)的正則化
15.10卷積神經(jīng)網(wǎng)絡(luò)
15.11回歸問題的神經(jīng)網(wǎng)絡(luò)R案例
15.12二分類問題的神經(jīng)網(wǎng)絡(luò)R案例
15.13多分類問題的神經(jīng)網(wǎng)絡(luò)R案例
第16章 主成分分析
16.1總體中的主成分分析
16.2方差分解
16.3 樣本中的主成分分析
16.4主成分分析的應(yīng)用
16.5主成分分析的R案例
16.6主成分回歸的R案例
第17章 聚類分析
17.1K均值聚類的思想
17.2K均值聚類的算法
17.3如何選擇K
17.4分層聚類
17.5基于相關(guān)系數(shù)的距離指標(biāo)
17.6K均值聚類的R案例
17.7分層聚類的R案例
第18章 數(shù)據(jù)科學(xué)的R語言
18.1何為數(shù)據(jù)科學(xué)
18.2管道算子
18.3輸入數(shù)據(jù)
18.4數(shù)據(jù)清理
18.5數(shù)據(jù)變換
18.6高階畫圖
18.7機器學(xué)習(xí)的統(tǒng)一接口
據(jù)悉，陳強老師即將于2021年1月20日在北京推出“機器學(xué)習(xí)及R應(yīng)用”五天現(xiàn)場班，親自講授其新力作《機器學(xué)習(xí)及R應(yīng)用》的全書精華。讓我們期待陳強老師的精彩課程吧……
參考文獻(xiàn)
陳強，《高級計量經(jīng)濟學(xué)及Stata應(yīng)用》，第2版，高等教育出版社，2014年
陳強，《計量經(jīng)濟學(xué)及Stata應(yīng)用》，高等教育出版社，2015年（好評如潮的配套教學(xué)視頻，可在網(wǎng)易云課堂購買）
陳強，《機器學(xué)習(xí)及R應(yīng)用》，高等教育出版社，2020年（配套五天現(xiàn)場班，詳情點擊頁底“閱讀原文”）
陳強，《機器學(xué)習(xí)及Python應(yīng)用》，高等教育出版社，2020年，即將出版。
(c) 2020， 陳強，山東大學(xué)經(jīng)濟學(xué)院
www.econometrics-stata.com
轉(zhuǎn)載請注明作者與出處
Our mission is to make econometrics easy, and facilitate convincing empirical works.
科研軟件推薦
北京友萬信息科技有限公司，簡稱：友萬科技。英文全稱：Beijing Uone Info&Tech Co.,Ltd，( Uone-Tech )是中國大陸領(lǐng)先的教育和科學(xué)軟件分銷商，已在中國300多所高校建立了可靠的分銷渠道。擁有成功的教學(xué)資源和數(shù)據(jù)管理專家。如需申請軟件采購及老版本更新升級請聯(lián)系我們，感謝您的支持與關(guān)注。聯(lián)系方式：徐經(jīng)理 Tel/WeChat: 18610597626 Email: crystal@uone-tech.cn。
