編者薦語：
《機器學習及R應用》終于上市啦！不少讀者想知道《機器學習及R應用》的目錄。這里附上詳細的二、三級目錄清單，讓我們先睹為快！
以下文章來源于計量經濟學及Stata應用，作者愛計量。
Our mission is to make econometrics easy, and facilitate convincing empirical works.
陳強老師的《機器學習及R應用》終于上市啦！目前已經開始在高等教育出版社的官方微店預售。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《機器學習及R應用》的目錄。這里附上詳細的二、三級目錄，以饗讀者。
內容簡介
本書對于機器學習的核心方法，進行了深入而詳細的介紹，并特別關注各學科常用的算法。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習的原理。同時，結合流行的R語言，及時地介紹相應的軟件操作與經典案例，為讀者提供“一站式”服務。本書還提供詳盡的數學推導，盡量避免跳躍，并輔以直觀的文字解釋。對于看似復雜的機器學習原理，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校經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、線性代數與概率統計，但不要求有編程或R語言經驗。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
1.1什么是機器學習
1.2機器學習的分類
1.3機器學習的術語
1.4機器如何學習
1.5機器學習與統計學、計量經濟學的關系
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數組
2.9列表
2.10數據框
2.11描述性統計
2.12畫圖
2.13讀寫數據
2.14隨機抽樣
2.15條件語句
2.16循環語句
2.17函數
2.18工作空間管理
2.19幫助
2.20 R語言的更新
2.21進一步學習R的資源
第3章數學回顧
3.1 微積分
3.1.1導數
3.1.2偏導數
3.1.3方向導數
3.1.4向量微分
3.2 zui優化
3.2.1一元zui優化
3.2.2多元zui優化
3.2.3約束極值問題：等式約束
3.2.4 約束極值問題：非負約束
3.2.5 約束極值問題：不等式約束
3.2.6zui優化算法
3.3 線性代數
3.3.1矩陣
3.3.2方陣
3.3.3矩陣的轉置
3.3.4向量
3.3.5矩陣的加法
3.3.6矩陣的數乘
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 隨機向量的數字特征
3.4.11迭代期望定律
3.4.12隨機變量無關的三個層次概念
3.4.13正態分布
3.4.14Zui大似然估計
第4章 線性回歸
4.1監督學習的回歸問題
4.2zui優預測
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擬合優度
4.8過擬合與泛化能力
4.9偏差與方差的權衡
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度
5.5 Logit模型的預測
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的線性判別之關系
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
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調節變量的選擇
9.8彈性網估計量
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 連續凸函數的zui小化定理
附錄A9.4 標準正交設計下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分類樹的啟發案例
11.2二叉樹的數學本質
11.3分類樹的分裂準則
11.4信息理論
11.5成本復雜性修枝
11.6回歸樹
11.7 C5.0算法
11.8決策樹的優缺點
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集成學習
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自適應提升法
13.2 AdaBoost的統計解釋
13.3回歸問題的提升法
13.4回歸問題的其他損失函數
13.5梯度提升法
13.6二分類問題的邏輯損失函數
13.7多分類問題的交叉熵損失函數
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交叉熵損失函數
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支持向量機的優缺點
14.9支持向量機的R案例：模擬數據
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 人工神經網絡
15.1人工神經網絡的思想
15.2感知機
15.3神經網絡的模型
15.4神經網絡的jihuo函數
15.5通用函數近似器
15.6神經網絡的損失函數
15.7神經網絡的算法
15.8神經網絡的小批量訓練
15.9神經網絡的正則化
15.10卷積神經網絡
15.11回歸問題的神經網絡R案例
15.12二分類問題的神經網絡R案例
15.13多分類問題的神經網絡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基于相關系數的距離指標
17.6K均值聚類的R案例
17.7分層聚類的R案例
第18章 數據科學的R語言
18.1何為數據科學
18.2管道算子
18.3輸入數據
18.4數據清理
18.5數據變換
18.6高階畫圖
18.7機器學習的統一接口
據悉，陳強老師即將于2021年1月20日在北京推出“機器學習及R應用”五天現場班，親自講授其新力作《機器學習及R應用》的全書精華。讓我們期待陳強老師的精彩課程吧……
參考文獻
陳強，《高級計量經濟學及Stata應用》，第2版，高等教育出版社，2014年
陳強，《計量經濟學及Stata應用》，高等教育出版社，2015年（好評如潮的配套教學視頻，可在網易云課堂購買）
陳強，《機器學習及R應用》，高等教育出版社，2020年（配套五天現場班，詳情點擊頁底“閱讀原文”）
陳強，《機器學習及Python應用》，高等教育出版社，2020年，即將出版。
(c) 2020， 陳強，山東大學經濟學院
www.econometrics-stata.com
轉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 )是中國大陸領先的教育和科學軟件分銷商，已在中國300多所高校建立了可靠的分銷渠道。擁有成功的教學資源和數據管理專家。如需申請軟件采購及老版本更新升級請聯系我們，感謝您的支持與關注。聯系方式：徐經理 Tel/WeChat: 18610597626 Email: crystal@uone-tech.cn。
