编者荐语：
《机器学习及R应用》终于上市啦！不少读者想知道《机器学习及R应用》的目录。这里附上详细的二、三级目录清单，让我们先睹为快！
以下文章来源于计量经济学及Stata应用，作者爱计量。
Our mission is to make econometrics easy, and facilitate convincing empirical works.
陈强老师的《机器学习及R应用》终于上市啦！目前已经开始在高等教育出版社的官方微店预售。扫描（或识别）下方二维码，即可前往售书页面。
昨日推文引起极大反响，不少读者想知道《机器学习及R应用》的目录。这里附上详细的二、三级目录，以飨读者。
内容简介
本书对于机器学习的核心方法，进行了深入而详细的介绍，并特别关注各学科常用的算法。特色在于力图以生动的语言、较多的插图与大量的实例来直观地解释机器学习的原理。同时，结合流行的R语言，及时地介绍相应的软件操作与经典案例，为读者提供“一站式”服务。本书还提供详尽的数学推导，尽量避免跳跃，并辅以直观的文字解释。对于看似复杂的机器学习原理，则删繁就简，娓娓道来，让读者渐入佳境。
本书适合普通高等学校经济管理类以及理工类等的高年级本科生和研究生使用。先修课包括微积分、线性代数与概率统计，但不要求有编程或R语言经验。本书将从零开始，让读者快速体会到R语言的美妙与威力。
目录
第1章 绪论
1.1什么是机器学习
1.2机器学习的分类
1.3机器学习的术语
1.4机器如何学习
1.5机器学习与统计学、计量经济学的关系
第2章R语言入门
2.1为何使用R语言
2.2 R与RStudio的安装
2.3计算器与赋值
2.4向量
2.5缺失值与空值
2.6因子
2.7矩阵
2.8数组
2.9列表
2.10数据框
2.11描述性统计
2.12画图
2.13读写数据
2.14随机抽样
2.15条件语句
2.16循环语句
2.17函数
2.18工作空间管理
2.19帮助
2.20 R语言的更新
2.21进一步学习R的资源
第3章数学回顾
3.1 微积分
3.1.1导数
3.1.2偏导数
3.1.3方向导数
3.1.4向量微分
3.2 zui优化
3.2.1一元zui优化
3.2.2多元zui优化
3.2.3约束极值问题：等式约束
3.2.4 约束极值问题：非负约束
3.2.5 约束极值问题：不等式约束
3.2.6zui优化算法
3.3 线性代数
3.3.1矩阵
3.3.2方阵
3.3.3矩阵的转置
3.3.4向量
3.3.5矩阵的加法
3.3.6矩阵的数乘
3.3.7矩阵的乘法
3.3.8线性方程组
3.3.9逆矩阵
3.3.10矩阵的秩
3.3.11正交矩阵
3.3.12矩阵的特征值与特征向量
3.3.13实对称矩阵的对角化与谱分解
3.3.14二次型
3.4 概率统计
3.4.1概率
3.4.2条件概率
3.4.3独立事件
3.4.4全概率公式
3.4.5贝叶斯公式
3.4.6离散型概率分布
3.4.7连续型概率分布
3.4.8多维随机向量的概率分布
3.4.9条件分布
3.4.10 随机向量的数字特征
3.4.11迭代期望定律
3.4.12随机变量无关的三个层次概念
3.4.13正态分布
3.4.14Zui大似然估计
第4章 线性回归
4.1监督学习的回归问题
4.2zui优预测
4.3线性回归模型
4.4zui小二乘法
4.5 OLS的正交性与几何解释
4.6施密特正交化与QR分解
4.7拟合优度
4.8过拟合与泛化能力
4.9偏差与方差的权衡
4.10模型评估的再抽样方法
4.11线性回归的R案例
第5章 逻辑回归
5.1逻辑回归
5.2zui大似然估计
5.3 Logit模型的解释
5.4非线性模型的拟合优度
5.5 Logit模型的预测
5.6二分类模型的评估
5.7 ROC与AUC
5.8科恩的kappa
5.9逻辑回归的R案例
第6章多项逻辑回归
6.1多项逻辑回归
6.2zui大似然估计
6.3多项逻辑回归的解释
6.4多项逻辑回归的R案例
第7章判别分析
7.1贝叶斯决策理论
7.2线性判别分析
7.3二次判别分析
7.4费雪线性判别分析
7.5费雪线性判别与基于正态的线性判别之关系
7.6多分类问题的费雪判别分析
7.7判别分析的R案例
附录A7.1总体中的多分类费雪判别分析
附录A7.2样本中的多分类费雪判别分析
附录A7.3线性判元对于组间方差的贡献率
第8章 朴素贝叶斯
8.1朴素贝叶斯
8.2拉普拉斯修正
8.3朴素贝叶斯的R案例
第9章 惩罚回归
9.1高维回归的挑战
9.2岭回归
9.3岭回归的计算
9.4岭回归的几何解释
9.5套索估计量
9.6套索估计量的计算
9.7调节变量的选择
9.8弹性网估计量
9.9惩罚回归的R案例
附录A9.1 估计量均方误差的分解
附录A9.2 次梯度向量与次微分
附录A9.3 连续凸函数的zui小化定理
附录A9.4 标准正交设计下Lasso问题的解析解
第10章 K近邻法
10.1回归问题的K近邻法
10.2如何选择K
10.3 分类问题的K近邻法
10.4K近邻法的优缺点
10.5K近邻法的R案例
第11章 决策树
11.1分类树的启发案例
11.2二叉树的数学本质
11.3分类树的分裂准则
11.4信息理论
11.5成本复杂性修枝
11.6回归树
11.7 C5.0算法
11.8决策树的优缺点
11.9回归树的R案例
11.10分类树的R案例
第12章 随机森林
12.1集成学习
12.2装袋法
12.3装袋法的原理
12.4袋外误差
12.5随机森林
12.6变量重要性
12.7偏依赖图
12.8回归问题的随机森林R案例
12.9分类问题的随机森林R案例
第13章 提升法
13.1自适应提升法
13.2 AdaBoost的统计解释
13.3回归问题的提升法
13.4回归问题的其他损失函数
13.5梯度提升法
13.6二分类问题的逻辑损失函数
13.7多分类问题的交叉熵损失函数
13.8随机梯度提升
13.9回归提升树的R案例
13.10二分类提升树的R案例
13.11 多分类提升树的R案例
13.12 XGBoost算法
附录A13.1交叉熵损失函数
第14章 支持向量机
14.1分离超平面
14.2zui大间隔分类器
14.3软间隔分类器
14.4软间隔分类器的统计解释
14.5支持向量机
14.6多分类问题的支持向量机
14.7支持向量回归
14.8支持向量机的优缺点
14.9支持向量机的R案例：模拟数据
14.10 支持向量机的二分类R案例
14.11 支持向量机的多分类R案例
14.12支持向量回归的R案例
第15章 人工神经网络
15.1人工神经网络的思想
15.2感知机
15.3神经网络的模型
15.4神经网络的jihuo函数
15.5通用函数近似器
15.6神经网络的损失函数
15.7神经网络的算法
15.8神经网络的小批量训练
15.9神经网络的正则化
15.10卷积神经网络
15.11回归问题的神经网络R案例
15.12二分类问题的神经网络R案例
15.13多分类问题的神经网络R案例
第16章 主成分分析
16.1总体中的主成分分析
16.2方差分解
16.3 样本中的主成分分析
16.4主成分分析的应用
16.5主成分分析的R案例
16.6主成分回归的R案例
第17章 聚类分析
17.1K均值聚类的思想
17.2K均值聚类的算法
17.3如何选择K
17.4分层聚类
17.5基于相关系数的距离指标
17.6K均值聚类的R案例
17.7分层聚类的R案例
第18章 数据科学的R语言
18.1何为数据科学
18.2管道算子
18.3输入数据
18.4数据清理
18.5数据变换
18.6高阶画图
18.7机器学习的统一接口
据悉，陈强老师即将于2021年1月20日在北京推出“机器学习及R应用”五天现场班，亲自讲授其新力作《机器学习及R应用》的全书精华。让我们期待陈强老师的精彩课程吧……
参考文献
陈强，《高级计量经济学及Stata应用》，第2版，高等教育出版社，2014年
陈强，《计量经济学及Stata应用》，高等教育出版社，2015年（好评如潮的配套教学视频，可在网易云课堂购买）
陈强，《机器学习及R应用》，高等教育出版社，2020年（配套五天现场班，详情点击页底“阅读原文”）
陈强，《机器学习及Python应用》，高等教育出版社，2020年，即将出版。
(c) 2020， 陈强，山东大学经济学院
www.econometrics-stata.com
转载请注明作者与出处
Our mission is to make econometrics easy, and facilitate convincing empirical works.
科研软件推荐
北京友万信息科技有限公司，简称：友万科技。英文全称：Beijing Uone Info&Tech Co.,Ltd，( Uone-Tech )是中国大陆领先的教育和科学软件分销商，已在中国300多所高校建立了可靠的分销渠道。拥有成功的教学资源和数据管理专家。如需申请软件采购及老版本更新升级请联系我们，感谢您的支持与关注。联系方式：徐经理 Tel/WeChat: 18610597626 Email: crystal@uone-tech.cn。
