Introduction to Machine Learning with R. Rigorous Mathematical Analysis

Description

Contents......Page 3 Preface......Page 7 What is Model......Page 9 Algorithms Versus Models: What’s the Difference......Page 14 A Note on Terminology......Page 15 Modeling Limitations......Page 16 Statistics and Computation in Modeling......Page 18 Data Training......Page 19 Cross-Validation......Page 20 The Good......Page 21 The Bad......Page 24 Summary......Page 25 Supervised & Unsupervised ML......Page 27 Regression......Page 28 Training and Testing of Data......Page 30 Classificatio......Page 32 Mixed Methods......Page 39 Unsupervised Learning......Page 48 Unsupervised Clustering Methods......Page 49 Summary......Page 51 Sampling Statistics & Model Training......Page 53 Bias......Page 54 Sampling in R......Page 59 Training and Testing......Page 62 Cross-Validation......Page 75 Summary......Page 77 Regression in Nutshell......Page 79 Linear Regression......Page 80 Polynomial Regression......Page 89 Goodness of Fit with Data—The Perils of Overfittin......Page 95 Logistic Regression......Page 99 Summary......Page 114 Single-Layer Neural Networks......Page 116 Building a Simple Neural Network by Using R......Page 118 Multilayer Neural Networks......Page 127 Neural Networks for Regression......Page 132 Neural Networks for Classificatio......Page 137 Neural Networks with caret......Page 138 Summary......Page 140 A Simple Tree Model......Page 141 Deciding How to Split Trees......Page 144 Pros and Cons of Decision Trees......Page 146 Conditional Inference Trees......Page 158 Random Forests......Page 161 Summary......Page 164 Naive Bayes Classificatio......Page 165 Principal Component Analysis......Page 169 Support Vector Machines......Page 179 k-Nearest Neighbors......Page 185 Summary......Page 190 Machine Learning with caret Package......Page 191 The Titanic Dataset......Page 192 caret Unleashed......Page 194 Summary......Page 205 Encyclopedia of ML Models in caret......Page 206 Index......Page 213