知识卡片
本书的难度定位与章节路线
读者定位是应用统计专业硕士,兼顾统计专业高年级本科生和其他领域有数据分析需求的人。难度刻意卡在中间点:高于《An Introduction to Statistical Learning》(ISL,偏基础、强调应用、附 R 实例),低于《The Elements of Statistical Learning》(ESL,偏理论、内容多、更难)。路线有依赖关系:先用线性回归、线性分类打基础,再用模型评价与选择建立统一的比较语言,之后才进非线性的树与组合、神经网络与深度学习、支持向量机,然后是无监督的聚类与业界常用的推荐系统,最后用两个约 10G 的案例串起单机(Python、数据库、R)与分布式(Hadoop、Hive、Spark)两套实现。深度学习和支持向量机在 R 上效率偏低,所以这部分改用 Python 调专业程序包。
结构图:
flowchart LR
A["第2章 线性回归"] --> B["第3章 线性分类"]
B --> C["第4章 模型评价与选择"]
C --> D["第5章 决策树与组合"]
D --> E["第6章 神经网络与深度学习"]
E --> F["第7章 支持向量机"]
C --> G["第8章 聚类"]
G --> H["第9章 推荐系统"]
F --> I["第10章 大数据案例"]
H --> I
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
在理论难度方面要高于 ISL 这本书,但没有达到 ESL 的水平,介于两者之间。类似ISL,本书每一章在最后给出实际数据分析的上机实践以及 R 程序代码。
参考来源
- 位置:《大数据挖掘与统计机器学习》第1章 概述(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter3_0002.xhtml,1.2 基本内容)
- 结论依据:原文说明读者对象、难度介于 ISL 与 ESL 之间、每章末配上机实践,并逐一交代各章顺序、两种实现方案以及改用 Python 的原因。
- 原始内容:在理论难度方面要高于 ISL 这本书,但没有达到 ESL 的水平,介于两者之间。类似ISL,本书每一章在最后给出实际数据分析的上机实践以及 R 程序代码。