[套装书]R语言机器学习（原书第2版）+金融统计与数据分析（2册）

作者

[印度] 卡西克·拉玛苏布兰马尼安（Karthik Ramasubramanian）[印度] 阿布舍克·辛格（Abhishek Singh）（美）戴维·罗伯特（David Ruppert）

丛书名

智能科学与技术丛书

出版社

机械工业出版社

ISBN

9781912091037

简要

简介

内容简介书籍计算机书籍 ---------------------------R语言机器学习（原书第2版）--------------------------- 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。 ---------------------------金融统计与数据分析--------------------------- 本书是一本关于金融市场数据分析的教材，第1章综述全书内容；第2章和第3章介绍数据的来源、股票和价格回报，以及债券所产生的收益；第4～8章介绍概率论、统计学和探索性数据分析的基础知识；第9章和第10章讲述时间序列中的ARIMA模型；第11章介绍最优的风险资产投资组合和最优的风险资产与无风险资产投资组合；第12～14章讲解回归分析；第15章介绍协整分析；第16章将投资组合理论和回归分析应用于资本资产定价模型（CAPM）；第17章介绍因子模型；第18～21章介绍波动率非常数的GARCH模型、贝叶斯统计、风险管理和非参数回归等。

目录

---------------------------R语言机器学习（原书第2版）--------------------------- 译者序 前言 第1章　机器学习和R语言入门1 1.1　了解发展历程1 1.1.1　统计学习2 1.1.2　机器学习2 1.1.3　人工智能3 1.1.4　数据挖掘3 1.1.5　数据科学4 1.2　概率与统计5 1.2.1　计数和概率的定义5 1.2.2　事件和关系7 1.2.3　随机性、概率和分布9 1.2.4　置信区间和假设检验9 1.3　R语言入门13 1.3.1　基本组成部分13 1.3.2　R语言的数据结构14 1.3.3　子集处理15 1.3.4　函数和Apply系列17 1.4　机器学习过程工作流19 1.4.1　计划20 1.4.2　探索20 1.4.3　构建20 1.4.4　评估20 1.5　其他技术21 1.6　小结21 第2章　数据准备和探索22 2.1　规划数据收集23 2.1.1　变量类型23 2.1.2　数据格式24 2.1.3　数据源的类型29 2.2　初始数据分析30 2.2.1　初步印象30 2.2.2　把多个数据源组织到一起32 2.2.3　整理数据34 2.2.4　补充更多信息37 2.2.5　重塑38 2.3　探索性数据分析38 2.3.1　摘要统计量39 2.3.2　矩42 2.4　案例研究：信用卡欺诈46 2.4.1　数据导入46 2.4.2　数据变换47 2.4.3　数据探索48 2.5　小结50 第3章　抽样与重抽样技术51 3.1　介绍抽样技术51 3.2　抽样的术语52 3.2.1　样本52 3.2.2　抽样分布52 3.2.3　总群体的均值和方差53 3.2.4　样本均值和方差53 3.2.5　汇总的均值和方差53 3.2.6　抽样点53 3.2.7　抽样误差54 3.2.8　抽样率54 3.2.9　抽样偏误54 3.2.10　无放回的抽样54 3.2.11　有放回的抽样55 3.3　信用卡欺诈：总群体的统计量55 3.3.1　数据描述55 3.3.2　总群体的均值56 3.3.3　总群体的方差56 3.3.4　汇总的均值和方差56 3.4　抽样在业务上的意义59 3.5　概率和非概率抽样60 3.6　关于抽样分布的统计理论61 3.6.1　大数定律62 3.6.2　中心极限定理64 3.7　概率抽样技术67 3.7.1　总群体的统计量67 3.7.2　简单随机抽样70 3.7.3　系统性随机抽样75 3.7.4　分层随机抽样78 3.7.5　聚类抽样83 3.7.6　自助抽样88 3.8　蒙特卡罗方法：接受-拒绝93 3.9　小结95 第4章　R语言里的数据可视化96 4.1　ggplot2组件包简介97 4.2　世界经济发展指标97 4.3　折线图97 4.4　堆叠柱状图102 4.5　散点图106 4.6　箱形图107 4.7　直方图和密度图109 4.8　饼图113 4.9　相关图114 4.10　热点图116 4.11　气泡图117 4.12　瀑布图120 4.13　系统树图122 4.14　关键字云124 4.15　桑基图126 4.16　时间序列图127 4.17　队列图129 4.18　空间图130 4.19　小结133 第5章　特征工程135 5.1　特征工程简介135 5.2　了解工作数据136 5.2.1　数据摘要137 5.2.2　因变量的属性137 5.2.3　特征的可用性：连续型或 分类型140 5.2.4　设置数据的假设141 5.3　特征排名141 5.4　变量子集的选择144 5.4.1　过滤器方法145 5.4.2　包装器方法148 5.4.3　嵌入式方法154 5.5　主成分分析158 5.6　小结161 第6章　机器学习理论和实践162 6.1　机器学习的类型163 6.1.1　有监督学习164 6.1.2　无监督学习164 6.1.3　半监督学习165 6.1.4　强化学习165 6.2　机器学习算法的类别165 6.3　实际环境的数据集168 6.3.1　房产售价168 6.3.2　购买偏好169 6.3.3　Twitter订阅和文章169 6.3.4　乳腺癌170 6.3.5　购物篮170 6.3.6　亚马逊美食评论170 6.4　回归分析171 6.5　相关分析172 6.5.1　线性回归174 6.5.2　简单线性回归175 6.5.3　多元线性回归177 6.5.4　模型诊断：线性回归180 6.5.5　多项回归190 6.5.6　逻辑回归193 6.5.7　logit变换194 6.5.8　几率比194 6.5.9　模型诊断：逻辑回归200 6.5.10　多项逻辑回归208 6.5.11　广义线性模型211 6.5.12　结论212 6.6　支持向量机213 6.6.1　线性SVM214 6.6.2　二元SVM分类模型214 6.6.3　多类别SVM216 6.6.4　结论217 6.7　决策树217 6.7.1　决策树的类型218 6.7.2　决策指标219 6.7.3　决策树学习方法221 6.7.4　集成树235 6.7.5　结论241 6.8　朴素贝叶斯方法241 6.8.1　条件概率241 6.8.2　贝叶斯定理241 6.8.3　先验概率242 6.8.4　后验概率242 6.8.5　似然和边际似然242 6.8.6　朴素贝叶斯方法243 6.8.7　结论247 6.9　聚类分析247 6.9.1　聚类方法简介248 6.9.2　聚类算法248 6.9.3　内部评估256 6.9.4　外部评估257 6.9.5　结论259 6.10　关联规则挖掘259 6.10.1　关联概念简介259 6.10.2　规则挖掘算法261 6.10.3　推荐算法267 6.10.4　结论273 6.11　人工神经网络273 6.11.1　人类认知学习273 6.11.2　感知器275 6.11.3　Sigmoid神经元276 6.11.4　神经网络的体系架构277 6.11.5　有监督与无监督的神经网络278 6.11.6　神经网络的学习算法279 6.11.7　前馈反向传播281 6.11.8　结论286 6.12　文本挖掘方法286 6.12.1　文本挖掘简介287 6.12.2　文本摘要288 6.12.3　TF-IDF289 6.12.4　词性标注291 6.12.5　关键字云295 6.12.6　文本分析：Microsoft Cognitive Services295 6.12.7　结论304 6.13　在线机器学习算法304 6.13.1　模糊C均值聚类305 6.13.2　结论308 6.14　构建模型的核对清单308 6.15　小结308 第7章　机器学习模型的评估309 7.1　数据集309 7.1.1　房产售价309 7.1.2　购买偏好311 7.2　模型性能和评估入门312 7.3　模型性能评估的目标313 7.4　总群体的稳定性指数314 7.5　连续型输出的模型评估318 7.5.1　平均绝对误差320 7.5.2　均方根误差321 7.5.3　R2322 7.6　离散型输出的模型评估325 7.6.1　分类矩阵325 7.6.2　灵敏度和特异性329 7.6.3　ROC曲线下的面积330 7.7　概率技术333 7.7.1　K折交叉验证333 7.7.2　自助抽样335 7.8　Kappa误差指标336 7.9　小结339 第8章　模型性能改进340 8.1　Caret组件包概述341 8.2　超参数简介343 8.3　超参数优化345 8.3.1　人工搜索346 8.3.2　人工网格搜索348 8.3.3　自动网格搜索349 8.3.4　最优搜索351 8.3.5　随机搜索353 8.3.6　自定义搜索354 8.4　偏误和方差权衡357 8.5　集成学习简介360 8.5.1　投票集成360 8.5.2　集成学习中的高级方法361 8.6　在R语言里演示集成技术364 8.6.1　装袋树364 8.6.2　决策树的梯度增强366 8.6.3　混合knn和rpart369 8.6.4　利用caretEnsemble进行堆叠370 8.7　高级主题：机器学习模型的贝叶斯优化374 8.8　小结379 第9章　时间序列模型380 9.1　时间序列的组成部分380 9.2　平稳性检验383 9.3　ACF和AR模型386 9.4　PACF和MA模型388 9.5　ARIMA模型391 9.6　具有AR误差的线性回归397 9.7　小结400 第10章　可扩展机器学习和相关技术402 10.1　分布式处理和存储402 10.1.1　GFS403 10.1.2　MapReduce404 10.1.3　R语言里的并行执行404 10.2　Hadoop生态系统407 10.2.1　MapReduce408 10.2.2　Hive411 10.2.3　Apache Pig414 10.2.4　HBase417 10.2.5　Spark418 10.3　在R语言环境下用Spark进行机器学习419 10.3.1　设置环境变量419 10.3.2　初始化Spark会话420 10.3.3　加载数据并运行预处理420 10.3.4　创建SparkDataFrame421 10.3.5　构建机器学习模型421 10.3.6　对测试数据进行预测422 10.3.7　终止SparkR会话423 10.4　在R语言里利用H2O进行机器学习423 10.4.1　安装组件包424 10.4.2　H2O集群的初始化424 10.5　小结425 第11章　用Keras和TensorFlow进行深度学习427 11.1　深度学习简介427 11.2　深度学习架构428 11.2.1　卷积神经网络428 11.2.2　递归神经网络429 11.2.3　生成对抗网络430 11.3　深度学习的工具集431 11.3.1　高级库431 11.3.2　后端引擎或框架431 11.3.3　硬件能力432 11.3.4　编程语言的选择432 11.3.5　云基础架构432 11.4　用例：识别Quora中的重复问题432 11.4.1　环境设置432 11.4.2　数据预处理433 11.4.3　基准模型434 11.4.4　Siamese递归架构435 11.4.5　Keras模型437 11.4.6　模型的摘要437 11.4.7　验证样本438 11.4.8　训练模型438 11.4.9　保存模型439 11.4.10　模型性能439 11.4.11　进行预测440 11.4.12　预测示例440 11.5　小结441 ---------------------------金融统计与数据分析--------------------------- 前言 第1章引言 11文献注记 12参考文献 第2章收益 21引言 211净收益率 212总收益率 213对数收益率 214股息调整 22随机游走模型 221随机游走 222几何随机游走 223对数价格是对数正态的几何随机游走吗 23文献注记 24参考文献 25R实验室 251数据分析 252模拟 26习题 第3章固定收入证券 31引言 32零息债券 33有息票债券 34到期收益率 341计算到期收益率的一般方法 342即期汇率 35期限结构 351引言：利率取决于到期时间 352期限结构的描述 36连续复利 37连续的远期利率 38价格对收益率的敏感性 39文献注记 310参考文献 311R实验室 3111计算到期收益 3112 绘制收益曲线 312习题 第4章探索性数据分析 41引言 42直方图和核密度估计 43顺序统计量、样本CDF与样本分位数 431样本分位数的中心极限定理 432正态概率图 433半正态图 434QQ图 44正态性检验 45箱形图 46数据变换 47变换几何 48变换核密度估计 49文献注记 410参考文献 411R实验室 412习题 第5章单变量分布建模 51引言 52参数模型与简约性 53位置参数、尺度参数和形状参数 54偏度、峰度和矩 541JarqueBera检验 542矩 55重尾分布 551指数和多项式尾部 552t分布 553混合模型 56广义误差分布 57从对称分布创建偏度 58基于分位数的位置、尺度和形状参数 59最大似然估计 510MLE的Fisher信息和中心极限定理 511似然比检验 512AIC与BIC 513验证数据和交叉验证 514由最大似然法拟合分布 515剖面似然 516稳健估计 517带有参数变换的变换核密度估计 518文献注记 519参考文献 520R实验室 5201收入数据 5202DAX收益 521习题 第6章再抽样 61引言 62偏差、标准差和MSE的自助法估计 63自助法置信区间 631正态近似区间 632自助法t区间 633基本的自助法区间 634百分位数置信区间 64文献注记 65参考文献 66R实验室 67习题 第7章多元统计模型 71引言 72协方差和相关矩阵 73随机变量的线性函数 731两个或更多随机变量的线性组合 732独立与和的方差 74散点图矩阵 75多元正态分布 76多元t分布 77用最大似然来拟合多元t分布 78椭圆轮廓密度 79多元有偏t分布 710Fisher信息矩阵 711多元数据自助法 712文献注记 713参考文献 714R实验室 7141股票收益 7142拟合多元t分布 7143拟合一个二元t分布 715习题 第8章copula 81引言 82特殊copula 83高斯copula和tcopula 84阿基米德copula 841弗兰克copula 842Clayton copula 843Gumbel copula 85秩相关 851肯德尔的tau相关系数 852斯皮尔曼相关系数 86尾部相关 87计算copula 871最大似然 872拟最大似然估计 873计算元高斯分布和元t分布 88文献注记 89参考文献 810R实验室 8101模拟copula 8102对收益数据拟合copula 811习题 第9章时间序列模型:基础知识 91时间序列数据 92平稳过程 921白噪声 922预测白噪声 93估计平稳过程的参数 94AR（1）过程 941弱平稳AR（1）过程的性质 942收敛到平稳分布 943非平稳AR（1）过程 95AR（1）过程的估计 951残差与模型检验 952最大似然和条件最小二乘 96AR（p）模型 97滑动平均过程 971MA（1）过程 972一般的MA过程 98ARMA过程 981后向算子 982ARMA模型 983ARMA（1，1）过程 984ARMA参数估计 985差分算子 99ARIMA过程 910单位根检验 911自动选择一个ARIMA模型 912预测 9121预测误差和预测区间 9122通过模拟计算预测限 913偏自相关系数 914文献注记 915参考文献 916R实验室 9161Tbill比率 9162预测 917习题 第10章时间序列模型：更多主题 101季节性ARIMA模型 1011季节性和非季节性差分 1012乘法ARIMA模型 102时间序列的BoxCox变换 103多变量时间序列 1031互相关函数 1032多变量白噪声 1033多变量ARMA过程 1034使用多变量AR模型预测 104长记忆过程 1041长记忆平稳模型的需要 1042分数阶差分 1043FARIMA过程 105自助法时间序列 106文献注记 107参考文献 108R实验室 1081季节性ARIMA模型 1082VAR模型 1083长记忆过程 1084一个ARIMA过程的基于模型的自助法 109习题 第11章投资组合理论 111权衡预期收益和风险 112一种风险资产和一种无风险资产 113两种风险资产 114结合两种风险资产与一种无风险资产 1141两种风险资产的切线资产组合 1142结合切线资产组合和无风险资产 1143ρ12的效果 115卖空 116N个风险资产投资组合的风险有效 117再抽样和有效投资组合 118文献注记 119参考文献 1110R实验室 1111习题 第12章回归：基础知识 121引言 122直线回归 1221最小二乘估计 1222β∧1的方差 123多元线性回归 124方差分析、平方和以及R2 1241AOV表 1242自由度 1243均值平方和和F检验 1244调整R2 125模型选择 126共线性和方差膨胀 127偏残差图 128中心化预测变量 129正交多项式 1210文献注记 1211参考文献 1212R实验室 1213习题 第13章回归诊断 131回归诊断简介 1311杠杆值 1312残差 1313库克距离 132检验模型假设 1321非正态分布 1322非常数方差 1323非线性 1324残差相关性和伪回归 133文献注记 134参考文献 135R实验室 136习题 第14章回归：高级主题 141带有ARMA误差的线性回归 142线性回归的理论 1421相关噪声的影响和异方差性 1422回归的最大似然估计 143非线性回归 144从零息债券价格估计远期利率 145双边变换回归 146只变换因变量 147二元回归 148线性化一个非线性模型 149稳健回归 1410回归和最佳线性预测 14101最佳线性预测 14102最佳线性预测的预测误差 14103回归是经验最佳线性预测 14104多元线性预测 1411回归对冲 1412文献注记 1413参考文献 1414R实验室 14141带ARMA噪声的回归 14142非线性回归 14143因变量变换 14144二元回归：谁得到了空调 1415习题 第15章协整 151引言 152向量误差校正模型 153交易策略 154文献注记 155参考文献 156R实验室 1561中等规模公司股票价格协整分析 1562收益的协整分析 1563模拟 157习题 第16章资本资产定价模型 161CAPM简介 162资本市场线 163β值和证券市场线 1631有关β值的例子 1632CML和SML的比较 164证券特征线 1641通过多元化降低特有风险 1642假设合理吗 165一些投资组合理论 1651对市场投资组合风险的贡献 1652SML的推导 166β值的估计和CAPM的检验 1661用回归估计β值 1662检验CAPM 1663α值的解释 167CAPM在投资组合分析中的应用 168文献注记 169参考文献 1610R实验室 1611习题 第17章因子模型和主成分 171降维 172主成分分析 173因子模型 174用时间序列回归拟合因子模型 1741Fama和French三因子模型 1742资产回报率的期望和协方差的估计 175截面因子模型 176统计因子模型 177文献注记 178参考文献 179R实验室 1791主成分分析 1792时间序列回归拟合因子模型 1793统计因子模型 1710习题 第18章GARCH模型 181引言 182估计条件均值和方差 183ARCH（1）过程 184AR（1）/ARCH(1)模型 185ARCH（p）模型 186ARIMA(pA,d,qA)/GARCH(pG,qG)模型 187具有厚尾的GARCH过程 188拟合ARMA/GARCH模型 189作为ARMA模型的GARCH模型 1810GARCH(1,1)过程 1811APARCH模型 1812具有ARMA/GARCH误差的回归 1813ARMA/GARCH过程的预测 1814文献注记 1815参考文献 1816R实验室 1817习题 第19章风险管理 191风险管理的必要性 192一个资产的VaR和ES的估计 1921VaR与ES的非参数估计 1922VaR与ES的参数估计 193用自助法计算VaR与ES的置信区间 194用ARMA/GARCH模型估计VaR与ES 195一个投资组合的VaR与ES的估计 196多项式尾部的VaR估计 197帕雷托分布 198持有期与置信系数的选择 199VaR与多样化 1910文献注记 1911参考文献 1912R实验室 1913习题 第20章贝叶斯数据分析和MCMC 201引言 202贝叶斯定理 203先验分布和后验分布 204共轭先验 205后验中心极限定理 206后验区间 207马尔可夫链蒙特卡罗方法 2071Gibbs抽样 2072其他蒙特卡罗抽样方法 2073MCMC输出的分析 2074WinBUGS 2075MCMC收敛性和混合的检验 2076模型DIC和pD的比较 208多层先验 209协方差矩阵的贝叶斯估计 2091多元正态分布的协方差阵估计 2092多元t分布的尺度矩阵的估计 2093协方差矩阵的非共轭先验 2010一个平稳过程的采样 2011文献注记 2012参考文献 2013R实验室 20131MCMC拟合t分布 20132AR模型 20133MA模型 20134ARMA模型 2014习题 第21章非参数回归和样条函数 211引言 212局部多项式回归 213线性光滑器 2131平滑矩阵和有效自由度 2132AIC和GCV 214多项式样条函数 2141具有一个结的线性样条函数 2142具有多个结的线性样条函数 2143二次样条函数 2144p阶样条函数 2145其他的样条基 215惩罚样条函数 216文献注记 217参考文献 218R实验室 2181工资、教育和经验的加法模型 2182短期利率的一个扩展CKLS模型 219习题 附录A来自于概率、统计和代数的事实

有问题微信扫码联系

• ※[套装书]华章经典管理（11册）
• ※[套装书]华章金融投资（62册）
• ※[套装书]陈春花管理经典（29册）
• ※[套装书]采购4.0：采购系统升级、降本、增效实用指南（第二版）+供应链的三道防线：需求预测、库存计划、供应链执行（2册）
• ※[套装书]采购4.0：采购系统升级、降本、增效实用指南（第二版）+采购与供应链管理：一个实践者的角度（第3版）（2册）
• ※[套装书]R语言机器学习（原书第2版）+金融统计与数据分析（2册）
• ※[套装书]R语言机器学习（原书第2版）+高级R语言编程指南（2册）
• ※[套装书]R语言机器学习（原书第2版）+数据挖掘与R语言（原书第2版）（2册）
• ※[套装书]R语言机器学习（原书第2版）+机器学习与R语言（原书第2版）（2册）
• ※[套装书]采购4.0：采购系统升级、降本、增效实用指南（第二版）+渠道管理的第一本书（2册）
• ※[套装书]采购4.0：采购系统升级、降本、增效实用指南（第二版）+采购成本控制与供应商管理(第2版)（2册）

桂ICP备20004708号-4