R语言机器学习 pdf下载

（1）从头到尾了解机器学习模型构建过程的全面指南

（2）演示了R语言中各种概念的实践

（3）含基于R语言的Keras和TensorFlow深度学习模型介绍

（4）讲授如何用 R 语言在 TensorFlow 框架中进行编程，从而让只擅长 R 语言的读者不必费力去学习 Python。

本书是介绍机器学习技术的综合指南，从基础的统计学原理和R语言编程知识，到核心的机器学习理论和算法分析，以及机器学习模型的评估和改进方法，再到机器学习技术在大数据平台上的应用，书中都有详细介绍。

本书主要在第1版的基础上增加了两个部分：第一个是关于时间序列模型的新章节（第 9 章），这是一个源于统计学的传统主题。第二个新增的章节是深度学习（第 11 章），它是机器学习的一个迅速崛起的子领域。除了增加这两个章节之外，本书中的文本和代码会以一种读者友好的新格式来整体呈现。新版会继续专注于使用流行的统计编程语言 R 来构建用例。对于深度学习这样的主题，我们建议采用 Python 语言来配合 TensorFlow 这样的框架。但是，在第2版中，我们会向读者展示如何在 TensorFlow 中使用 R 语言编程，因此如果读者只熟悉 R，可以暂时无须学习 Python。与第1版一样，我们通过各种实际用例保持了机器学习理论与应用的良好平衡，为读者提供了一个真正全面的机器学习主题集合。

　　卡西克·拉玛苏布兰马尼安（Karthik Ramasubramanian）就职于印度创业技术公司Hike Messenger。他一直为零售、电子商务和技术行业解决跨行业的数据科学问题，开发数据驱动的解决方案并进行原型构建。Karthik对整个数据科学生命周期（从探索数据问题，到创建数据科学模型，以及开发各行业相关产品）都具有丰富的经验。
　　
　　阿布舍克·辛格（ Abhishek Singh）领导的数据科学专业团队正在解决粮食安全、网络安全、自然灾害、医疗保健以及更多领域的紧迫问题。他对美国银行的资产进行了压力测试，开发了保险定价模型，并优化了客户的电信体验。他积极参与数据科学分析相关的思想交流、创作、公开演讲、会议和培训。他坚定地支持负责任地使用人工智能来消除偏见，并坚信合理使用AI将使生活更美好。

译者序
前言
第1章 机器学习和R语言入门
1．1 了解发展历程
1．1．1 统计学习
1．1．2 机器学习
1．1．3 人工智能
1．1．4 数据挖掘
1．1．5 数据科学
1．2 概率与统计
1．2．1 计数和概率的定义
1．2．2 事件和关系
1．2．3 随机性、概率和分布
1．2．4 置信区间和假设检验
1．3 R语言入门
1．3．1 基本组成部分
1．3．2 R语言的数据结构
1．3．3 子集处理
1．3．4 数和Apply系列
1．4 机器学习过程工作流
1．4．1 计划
1．4．2 探索
1．4．3 构建
1．4．4 评估
1．5 其他技术
1．6 小结

第2章 数据准备和探索
2．1 规划数据收集
2．1．1 变量类型
2．1．2 数据格式
2．1．3 数据源的类型
2．2 初始数据分析
2．2．1 初步印象
2．2．2 把多个数据源组织到一起
2．2．3 整理数据
2．2．4 补充更多信息
2．2．5 重塑
2．3 探索性数据分析
2．3．1 摘要统计量
2．3．2 矩
2．4 案例研究：信用卡欺诈
2．4．1 数据导入
2．4．2 数据变换
2．4．3 数据探索
2．5 小结

第3章 抽样与重抽样技术
3．1 介绍抽样技术
3．2 抽样的术语
3．2．1 样本
3．2．2 抽样分布
3．2．3 总群体的均值和方差
3．2．4 样本均值和方差
3．2．5 汇总的均值和方差
3．2．6 抽样点
3．2．7 抽样误差
3．2．8 抽样率
3．2．9 抽样偏误
……
第4章 R语言里的数据可视化
第5章 特征工程
第6章 机器学习理论和实践
第7章 机器学习模型的评估
第8章 模型性能改进
第9章 时间序列模型
第10章 可扩展机器学习和相关技术
第11章 用Keras和Tensorflow进行深度学习

译　者　序

本书最大的特点就是它的全面性。从基础的统计学原理和R语言编程知识，到核心的机器学习理论和算法分析，以及机器学习模型的评估和改进方法，再到机器学习技术在大数据平台上的应用，书中都用了一定的篇幅进行讲述。此外，对于一些比较前沿和高级的主题，作者也给出了相应的参考资料，供有兴趣的读者进一步提高。

第2版还增加了时间序列模型，并把深度学习部分从原先的一个小节扩大为一章，从而大大提高了本书的实用性。

这样的写作思路给读者展示了当今机器学习技术发展的全貌，有利于读者理解各种机器学习技术的适用范围及其相互联系，也有利于读者先从全局和整体入手，再逐步深入到每个细节中，这样比较容易把握适合自己的方向。至于不足之处，也许是因为范围太广，导致有些部分的讲解不够深入，有些代码和实例的讲解也略显简单。

因此，这本书比较适合机器学习技术的初学者，以及仅仅在某个领域有一定经验、希望从更广的角度来认识机器学习的专业人士。如果读者希望更深入钻研某些技术，可以将本书给出的参考资料作为起点。虽然这些参考资料基本都是英文版的，不过要掌握最新的技术，阅读原版资料也是一个必要的途径。本书还引入了很多 R 语言平台的组件包，它们也适用于实际环境下的分析工作，是应用领域必不可少的得力工具。限于篇幅，本书很难逐个对它们进行详细介绍，而且开源组件包的版本变化很快，在实际应用时，也需要认真阅读它们的官方文档。

看过我前几本译作的读者都知道我有在 GitHub 上开辟讨论区的习惯，这样可以针对书中的理论、应用、代码等问题与读者进行交流。本书也不例外，它的讨论区链接是 https://github.com/coderLMN/machineLearningUsingR/issues ，欢迎读者去提出问题并参与讨论。我之所以愿意花时间参与这样的讨论，是因为这样不仅能够帮助读者答疑，及时纠正书中可能存在的错误，同时我自己在这个过程中也经常可以开阔思路、得到启发。

我不知道其他译者会不会这么做，但我为此感到自豪。

其实我还有一个更大的心愿，就是希望读者在实际运用这些技术时写出自己的理解和体会，用自己的经验来帮助其他的读者。我希望能把这样的实践经验总结放在讨论区里，其中高水平的总结还可以在书籍再印的时候作为附录添加进去，从而帮助到更多的读者。

真心希望这个心愿在本书出版时能够实现。

此外，我在书中加入了一些译者注，标注了我在翻译过程中觉得有必要说明的一些问题，例如某些代码的变动、某些概念的通俗化解释、提醒读者注意的细节,等等。由于本人水平有限，虽然已尽全力查阅资料并自行验证，但翻译内容和译者注里难免会有不严谨或者不正确的地方，还望读者不吝指正。

本书的代码和数据可从官方GitHub下载：https://github.com/Apress/machine-lea-rning-r-2e。（第1版的下载链接是：https://github.com/Apress/machine-learning-using-r )

最后，真诚感谢我的家人。这本书覆盖的主题较多，翻译的周期较长，有他们的支持和激励，我才能保质保量地完成这个工作。

吴今朝

2019年9月

前　　言

第2版添加了两个新章节，一个介绍时间序列模型（第9章），这是一个源于统计学的传统主题；第二个介绍深度学习（第11章），它是机器学习的一个迅速崛起的子领域。除了增加这两个章节之外，本书中的文本和代码会以一种读者友好的新格式来整体呈现。

新版会继续专注于使用流行的统计编程语言R来构建用例。对于深度学习这样的主题，我们建议采用Python语言配合TensorFlow这样的框架来学习。但是，本书会向读者展示如何在TensorFlow中使用R语言编程，因此如果读者只熟悉R语言，暂时无须学习Python。

与第1版一样，书中通过各种实际用例保持了机器学习理论与应用的良好平衡，为读者提供了一个真正全面的机器学习主题集合。

读者将学到的内容：

利用R语言学习机器学习算法。

掌握构建过程流的机器学习模型。

机器学习算法的理论基础。

专注于行业的实际用例。

R语言中的时间序列建模。

在R语言中使用Keras和TensorFlow进行深度学习。

目标读者

本书适用于希望了解机器学习方法和算法在R语言中的实践的数据科学家、数据科学专业人员和学术界研究人员。对于那些想用Apache Hadoop、Hive、Pig和Spark实现可扩展机器学习模型相关技术的读者，本书也能使之受益。

本书是一本全面的教程，适合想要从头到尾了解机器学习模型构建过程的任何人，内容包括：

相关概念在R语言中的实际演示。

使用Apache Hadoop和Spark的机器学习模型。

时间序列分析。

在R语言中利用Keras和TensorFlow介绍深度学习模型。