股票這個價位要不要買論文書籍站
200元鈔票還可以用嗎的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊
200元鈔票還可以用嗎的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦鋤見寫的 漫畫科普冷知識王(1～4)套書(共四冊) 和（英）赫芬·I.里斯的 機器學習實戰：使用R、tidyverse和mlr都 可以從中找到所需的評價。
另外網站狂勝百元鈔？他揭「使用200元鈔」8大優點：符合台北物價也說明：近日，一名男網友在「 Dcard 」分享使用200 元鈔票的益處，他拿2 萬元到台灣 ... 很酷、有蔣中正的圖像、可以跟同學換鈔，讓他們也收集到200 元鈔票。
這兩本書分別來自碁峰 和清華大學所出版 。
最後網站100元鈔票人則補充：貼文引發熱議。. 富家子弟月收房鈔票的面額有100元、200元、500元、1000元和2000元，一名網友好奇，不少人都會拿面額500元的鈔票付錢，但卻幾乎沒人使用 ...
漫畫科普冷知識王(1～4)套書(共四冊)
為了解決200元鈔票還可以用嗎 的問題，作者鋤見 這樣論述：
網路書店年度百大暢銷書系列大集合， 長知識、在家解悶超值選擇！ 網紅大推、精彩滿點，一次珍藏、四倍趣味！ 【怪奇事物所所長】、【10秒鐘教室】、 【最近紅什麼】、【三個麻瓜】依序推薦 比知識有趣的冷知識原來這麼好玩， 用漫畫插圖一次解謎！ 從古至今，從人類、萬物到外太空， 世界之大，千奇百怪，無奇不有， 現在就給你滿滿的趣味冷知識！ ◆儲備知識補充包 ◆活化大腦助燃劑 ◆擺脫冷場句點王 第1冊：《漫畫科普冷知識王：世界其實很有事，生活才會那麼有意思！》 【FB粉絲頁超過35萬人追蹤「怪奇事物所所長」歡樂推薦】
知識是為了使用而存在， 但知識就一定是無聊的嗎? 人類、文化、生物、科技、地理和宇宙中… 總是有許多有意思的事。 你知道嗎？ ◎人是會發光的生物，所以請記住你會發光、人類和黑猩猩的基因相似度達96%，但也有50%與香蕉相同、我們不能把屁憋回去，相信我，那可能會憋出問題、我們永遠想不起夢境的開頭，每個夢好像都是從故事中間開始的、人的眼淚是一種特殊的藥，又能殺菌又能… ◎母貓往往喜歡用右爪，公貓通常是左撇子、長頸鹿寶寶會上“幼兒園”，負責管理幼兒園的園長還每天都輪班、海獺會和同伴手牽著手一起睡覺，說穿了是為了避免失散、無尾熊為什麼總是愛抱樹，每次到動物園看到都這樣
、松鼠因為記性不好，所以每年種下幾百棵樹、海豚不僅有自己的語言也有自己的名字… ◎覺得糖水不夠甜，加一點鹽就會更甜、雞蛋要倒立著放更能保鮮、原來鈔票也有直式的、打火機比火柴更早被發明出來、一張普通的紙最多只能對折8次、麵包可以吃，竟然還可以當橡皮擦來用… ◎鍵盤上打亂順序的英文字母可以讓你打字速度更快、點擊滑鼠1000萬次可以消耗1卡路里的熱量、黑盒子其實不是黑色的盒子、賽車竟然沒有配備安全氣囊… ◎阿拉伯數字其實是古印度人發明的、古埃及裡的聖甲蟲原來是這種蟲、曾在地球生活過的人類高達1155億人、古時候的壓歲錢不是錢、古代女子十四歲以後還不嫁人是要罰錢的… ◎南北極地
區幾乎不會發生地震、復活節島石像大都穿著褲子、為什麼颱風眼區域反而風力最小、其實非洲並不是一年四季都熱，冬天也會很冷… ◎恆星大都是成雙成對的、所有物質都能變成黑洞，包括人體、流星不一定是隕石，也有可能是糞便… 第2冊：《漫畫科普冷知識王2：世界其實很有趣，生活應該多一點療癒！》 【FB粉絲頁超過20萬人追蹤超人氣科普插畫家 | 【10秒鐘教室】 開心推薦】 日子太無聊， 但世界其實很有趣， 名人軼事、生活科學、神秘事件、自然奇觀… 真相背後鮮為人知的冷知識才是經典。 你知道嗎？ ◎牛頓有看到掉下來的蘋果，但沒被砸到頭、貝多芬也愛喝咖啡，但有一個原
則、愛迪生是自學團的，所以只上過三個月的小學、達爾文其實是個吃貨、林肯不只是總統還是摔角冠軍、服部半藏是日本史上最強的忍者家族、武田信玄則是日本第一個精通《孫子兵法》的名將、孔子力氣超大又精通武藝、屈原原來愛化妝、曹操根本不姓曹、張飛可是個美男子、李白又吃霸王餐、白居易為什麼一年只洗一次頭、乾隆皇帝根本是個寫詩狂人…… ◎在恐龍出現之前，奇蝦早稱霸了地球、蛇頸龍長長的脖子不如你想像中的靈活、最早的烏龜根本沒有強大的硬派龜殼、六角恐龍不但可以再生四肢，還能再生大腦和心臟、有位叫海參的但卻不會游泳、變色龍變色的目的才不是只為了偽裝、蝴蝶的鼻子其實長在觸角上、食蟻獸很長舌、北極熊的皮膚是黑色的
、馬常站著睡覺的…… ◎人類最早發明的水上交通工具原來是獨木舟、為什麼大輪船的螺旋槳反而那麼小、世界上第一輛地鐵的車廂是露天的啦、剎車和油門為什麼要一高一低、熱氣球的第一批乘客竟然是幾隻小動物、史上第一架飛機原來只飛了12秒、為什麼噴射機飛過天空會留下一道白煙、你知道買一件太空衣要多少錢嗎…… ◎辣味不是味覺而是痛覺、火苗向上卻是因為受重力影響、石英鐘停下來時，秒針總是停在9、失眠的時候千萬不要再數綿羊、夢遊的人也算是在做夢嗎、起雞皮疙瘩不是只有一種原因、鑽石可不是世界上最硬的物質、樹葉為什麼會變顏色、地球平均每天變重60噸、宇宙也有味道…… ◎聖誕老人原本是穿綠衣服、古希臘
的雕塑為什麼都要裸體、拍馬屁是怎麼來的、說大話為什麼叫吹牛、為什麼有錢的女婿叫金龜婿、在古代粽子是夏至的標配啦…… ◎巨石陣很可能是音箱、尼斯湖水怪到底有沒有真相、金字塔的顏色原本是白的、巨人畫了納斯卡線、傳說中的亞特蘭提斯文明有個神秘的能源系統、馬雅文明擁有超強的天文知識、秦始皇陵的兵馬俑原本是彩色的、民間流傳的海妖的確有原型、地球上有一個不會說話的神秘民族、如何在夢裡控制夢的走向…… ◎地球可能曾有過一個名叫忒伊亞的姐妹行星、森林中的樹會互相幫助、雲是有重量的，而且還不輕、地球的自轉速度正逐漸變慢、月球的外形更像一顆雞蛋、水星是一個大金屬球、如果沒有木星，可能就沒有地球和人類、
天王星和海王星上或許有數百萬克拉鑽石，你心動了嗎…… 第3冊：《漫畫科普冷知識王3：世界其實很精采，生活就要這麼嗨！》 【YouTube頻道近45萬人訂閱網紅團隊「最近紅什麼」 有梗推薦】 生活太平淡， 但世界其實很精采， 萬物奧妙、世界秘辛、科普趣談、奇聞妙事… 意想不到的冷知識才是話題。 你知道嗎？ ◎有些植物受傷時會尖叫、柑橘家族的關係真的有夠亂、 小貓的叫聲其實是為了吸引人注意，貓族之間的溝通卻是用別招、 沒想到免子會吃自己的便便、浣熊還會在吃東西前先用水清洗食物、 不是所有的螃蟹都橫著走路、土撥鼠看似呆萌，其實很危險、 最接近狼
的狗根本不是哈士奇、貓頭鷹為什麼不能轉動眼睛、 螞蟻為什麼不會迷路、企鵝的雙腳為什麼不會被凍傷…… ◎人類愛吃垃圾食品是本能、站著其實比走路更累、 裝三秒膠的容器為什麼不會被黏住、泡麵為什麼要泡三分鐘、 為什麼蚊香都是漩渦狀、可樂不僅僅能喝，還有其他妙用、 啤酒瓶蓋上一共有多少個鋸齒、黑猩猩的短暫記憶力可能比你好、 第一次登上太空的動物居然是一隻狗、看恐怖電影可以減肥、 北極那麼冷卻還是要用冰箱…… ◎沒電的乾電池竟然可以手動充電、物質其實不只有固態、液態與氣態、 顏色其實會讓人覺得有重量的、心情不好時應該要吃甜的、 地球的核心溫度簡直可媲美太陽表面
溫度、地球的大氣層到底有多厚、 有一艘名叫斥候星的“外星飛船…… 第4冊：《漫畫科普冷知識王4：世界其實很有哏，生活可以多點彈性！》 【頻道近4千萬點閱YouTuber「三個麻瓜」 肯定推薦】 日子過得太平凡， 但這世界每天都有奇妙的事在上演， 古今奇談、動物趣聞、生活妙事、宇宙奧秘… 新奇有趣的冷知識才是重點。 你知道嗎？ ◎毒蛇咬到自己的舌頭到底會不會中毒、對牛彈琴真的有用、 螢火蟲可是從小到大都會發光的、羊駝吐口水是表達不滿、 山羊都是攀岩高手、海裡也有醫生、有一種長得像豬的章魚、 貓為人類發明了一套專用的貓語、水獺寶寶游泳全靠媽媽
教、 有的鳥愛裝鬼臉、原來的企鵝竟然不是現在看到的南極企鵝、 蛛絲馬跡的馬非一般馬、在牛的屁股上畫眼睛可以保護牠、 動物共同的祖先可能是一種蠕蟲、天竺鼠高興的時候會暴走、 狗才是最早被訓練去抓老鼠的動物、烏賊的墨汁可以用來寫字、 魚也會口渴、蜜蜂消失對人類的影響是很大的…… ◎常吃橘子會改變膚色、在石器時代人就開始養寵物、 自言自語對身體也有好處、打哈欠根本不會傳染、 可愛會讓人喜愛，其實也會引起破壞慾、哭不宜超過15分鐘、 痘痘不是突然長出來的、為什麼大多數人都習慣使用右手、 雙胞胎之間有存在心靈感應的案例但卻沒有科學結論、 學新東西會讓大腦越聰
明、每個人小時候都有尾巴…… ◎招財貓會舉右手，也會舉左手、羽毛球上的羽毛是16根、 有的咖啡是來自動物的糞便、元宵和湯圓其實大不同、 不倒翁為什麼推不倒、在什麼樣的溫度下睡眠最舒服、 天氣愈冷，手機耗電越快、水其實是藍色的、 吃蛋糕吹蠟燭是因為月亮女神…… ◎地球上所有人一起大喊會怎樣、太陽可能曾有孿生兄弟、 天王星和海王星都擁有液態鑽石海洋、地球上的水究竟從何而來、 地球曾送給外星人一張唱片、地球正在讓月球漸漸地生鏽、 假設能從地球走路到月球，那需要多久…
機器學習實戰：使用R、tidyverse和mlr
為了解決200元鈔票還可以用嗎 的問題，作者（英）赫芬·I.里斯 這樣論述：
本書將使用RStudio和非常棒的mlr套裝程式開啟你的機器學習之旅。這本實用指南簡化了理論,避免了不必要的複雜統計和數學知識,所有核心的機器學習技術都通過圖形和易於掌握的示例進行清晰的解釋。每一章的內容都十分引人入勝，你將掌握如何把新的演算法付諸實踐，以解決各種預測分析問題，包括泰坦尼克沉船事件中不同乘客的倖存概率、垃圾郵件過濾、毒酒事件調查等。 Hefin I. Rhys是一位元有著8年教授R語言、統計學和機器學習經驗的生命科學家和細胞學家。他將自己的統計學/機器學習知識貢獻給多項學術研究，並熱衷於講授統計學、機器學習和資料視覺化方面的課程。 第Ⅰ部
分 簡介 第1章 機器學習介紹 2 1.1 機器學習的概念 3 1.1.1 人工智慧和機器學習 4 1.1.2 模型和演算法的區別 5 1.2 機器學習演算法的分類 7 1.2.1 監督、無監督和半監督機器學習演算法的區別 7 1.2.2 分類、回歸、降維和聚類演算法 9 1.2.3 深度學習簡介 11 1.3 關於機器學習道德影響的思考 12 1.4 使用R語言進行機器學習的原因 13 1.5 使用哪些資料集 13 1.6 從本書可以學到什麼 13 1.7 本章小結 14 第2章 使用tidyverse整理、操
作和繪製資料 15 2.1 tidyverse和整潔資料的概念 15 2.2 載入tidyverse 17 2.3 tibble套裝程式及其功能介紹 17 2.3.1 創建tibble 18 2.3.2 將現有資料框轉換為tibble 18 2.3.3 數據框和tibble的區別 19 2.4 dplyr套裝程式及其功能介紹 21 2.4.1 使用dplyr操作CO2資料集 21 2.4.2 連結dplyr函數 25 2.5 ggplot2套裝程式及其功能介紹 26 2.6 tidyr套裝程式及其功能介紹 29 2.7 p
urrr套裝程式及其功能介紹 32 2.7.1 使用map()函數替換 for迴圈 33 2.7.2 返回原子向量而非列表 34 2.7.3 在map()系列函數中使用匿名函數 35 2.7.4 使用walk()產生函數的副作用 35 2.7.5 同時遍歷多個列表 37 2.8 本章小結 38 2.9 練習題答案 38 第Ⅱ部分 分類演算法 第3章 基於相似性的k近鄰分類 42 3.1 k近鄰演算法的概念 42 3.1.1 如何學習k近鄰演算法 42 3.1.2 如果票數相等，會出現什麼情況 44 3.2 建立個kNN
模型 45 3.2.1 載入和研究糖尿病資料集 45 3.2.2 運用mlr訓練個kNN模型 47 3.2.3 mlr想要實現的目標：定義任務 47 3.2.4 告訴mlr使用哪種演算法：定義學習器 48 3.2.5 綜合使用任務和學習器：訓練模型 49 3.3 平衡模型誤差的兩個來源：偏差-方差權衡 51 3.4 運用交叉驗證判斷是否過擬合或欠擬合 52 3.5 交叉驗證kNN模型 53 3.5.1 留出法交叉驗證 53 3.5.2 k-折法交叉驗證 55 3.5.3 留一法交叉驗證 57 3.6 演算法將要學習的內容以
及它們必須知道的內容：參數和超參數 59 3.7 調節k值以改進模型 60 3.7.1 在交叉驗證中調整超參數 61 3.7.2 使用模型進行預測 63 3.8 kNN演算法的優缺點 64 3.9 本章小結 64 3.10 練習題答案 65 第4章 對數幾率回歸分類 67 4.1 什麼是對數幾率回歸 67 4.1.1 對數幾率回歸是如何學習模型的 68 4.1.2 當有兩個以上的類別時，該怎麼辦 73 4.2 建立個對數幾率回歸模型 74 4.2.1 載入和研究titanic資料集 75 4.2.2 充分利用資料：特
徵工程與特徵選擇 75 4.2.3 數據視覺化 77 4.2.4 訓練模型 80 4.2.5 處理缺失資料 80 4.2.6 訓練模型(使用缺失值插補方法) 81 4.3 交叉驗證對數幾率回歸模型 81 4.3.1 包含缺失值插補的交叉驗證 81 4.3.2 準確率是重要的性能度量指標嗎 82 4.4 理解模型：幾率比 83 4.4.1 將模型參數轉換為幾率比 83 4.4.2 當一個單位的增長沒有意義時如何理解 84 4.5 使用模型進行預測 84 4.6 對數幾率回歸演算法的優缺點 84 4.7 本章小結 8
5 4.8 練習題答案 85 第5章 基於判別分析的分離方法 88 5.1 什麼是判別分析 88 5.1.1 判別分析是如何學習的 90 5.1.2 如果有兩個以上的類別，應如何處理 92 5.1.3 學習曲線而不是直線：QDA 93 5.1.4 LDA和QDA如何進行預測 93 5.2 構建線性和二次判別模型 95 5.2.1 載入和研究葡萄酒資料集 95 5.2.2 繪製資料圖 96 5.2.3 訓練模型 97 5.3 LDA和QDA演算法的優缺點 100 5.4 本章小結 101 5.5 練習題答案 10
1 第6章 樸素貝葉斯和支援向量機分類演算法 103 6.1 什麼是樸素貝葉斯演算法 104 6.1.1 使用樸素貝葉斯進行分類 105 6.1.2 計算分類和連續預測變數的類條件概率 106 6.2 建立個樸素貝葉斯模型 107 6.2.1 載入和研究HouseVotes84資料集 107 6.2.2 繪製資料圖 108 6.2.3 訓練模型 109 6.3 樸素貝葉斯演算法的優缺點 110 6.4 什麼是支援向量機(SVM)演算法 110 6.4.1 線性可分SVM 111 6.4.2 如果類別不是完全可分的，怎麼辦
112 6.4.3 非線性可分的SVM 113 6.4.4 SVM演算法的超參數 115 6.4.5 當存在多個類別時，怎麼辦 116 6.5 構建個SVM模型 117 6.5.1 載入和研究垃圾郵件資料集 118 6.5.2 調節超參數 119 6.5.3 訓練模型 122 6.6 交叉驗證SVM模型 123 6.7 SVM演算法的優缺點 124 6.8 本章小結 124 6.9 練習題答案 125 第7章 決策樹分類演算法 127 7.1 什麼是遞迴分區演算法 127 7.1.1 使用基尼增益劃分樹 129
7.1.2 如何處理連續和多級分類預測變數 130 7.1.3 rpart演算法的超參數 132 7.2 構建個決策樹模型 133 7.3 載入和研究zoo資料集 134 7.4 訓練決策樹模型 134 7.5 交叉驗證決策樹模型 139 7.6 決策樹演算法的優缺點 140 7.7 本章小結 140 第8章 使用隨機森林演算法和boosting技術改進決策樹 142 8.1 集成學習技術：bagging、boosting和stacking 142 8.1.1 利用採樣資料訓練模型：bagging 143 8.1.2 從前序
模型的錯誤中進行學習：boosting 144 8.1.3 通過其他模型的預測進行學習：stacking 147 8.2 建立個隨機森林模型 148 8.3 建立個XGBoost模型 150 8.4 隨機森林和XGBoost演算法的優缺點 155 8.5 在演算法之間進行基準測試 155 8.6 本章小結 156 第Ⅲ部分 回歸演算法 第9章 線性回歸 158 9.1 什麼是線性回歸 158 9.1.1 如何處理多個預測變數 160 9.1.2 如何處理分類預測變數 162 9.2 建立個線性回歸模型 163 9.2.1
載入和研究臭氧資料集 164 9.2.2 插補缺失值 166 9.2.3 自動化特徵選擇 168 9.2.4 在交叉驗證中包含插補和特徵選擇 174 9.2.5 理解模型 175 9.3 線性回歸的優缺點 178 9.4 本章小結 178 9.5 練習題答案 179 第10章 廣義加性模型的非線性回歸 180 10.1 使用多項式項使線性回歸非線性 180 10.2 更大的靈活性：樣條曲線和廣義加性模型 182 10.2.1 GAM如何學習平滑功能 183 10.2.2 GAM如何處理分類變數 184 10.3
建立個GAM 184 10.4 GAM的優缺點 188 10.5 本章小結 188 10.6 練習題答案 189 第11章 利用嶺回歸、LASSO回歸和彈性網路控制過擬合 190 11.1 正則化的概念 190 11.2 嶺回歸的概念 191 11.3 L2范數的定義及其在嶺回歸中的應用 193 11.4 L1范數的定義及其在LASSO中的應用 195 11.5 彈性網路的定義 197 11.6 建立嶺回歸、LASSO和彈性網路模型 198 11.6.1 載入和研究Iowa資料集 199 11.6.2 訓練嶺回歸模型
200 11.6.3 訓練LASSO模型 205 11.6.4 訓練彈性網路模型 208 11.7 對嶺回歸、LASSO、彈性網路和OLS進行基準測試並對比 210 11.8 嶺回歸、LASSO和彈性網路的優缺點 211 11.9 本章小結 212 11.10 練習題答案 212 第12章 使用kNN、隨機森林和XGBoost進行回歸 215 12.1 使用kNN演算法預測連續變數 215 12.2 使用基於決策樹的演算法預測連續變數 217 12.3 建立個kNN回歸模型 219 12.3.1 載入和研究燃料資料集 220 1
2.3.2 調節超參數k 224 12.4 建立個隨機森林回歸模型 226 12.5 建立個XGBoost回歸模型 227 12.6 對kNN、隨機森林和XGBoost模型的構建過程進行基準測試 229 12.7 kNN、隨機森林和XGBoost演算法的優缺點 230 12.8 本章小結 230 12.9 練習題答案 231 第Ⅳ部分 降維演算法 第13章 化方差的主成分分析法 234 13.1 降維的目的 234 13.1.1 視覺化高維數據 235 13.1.2 維數災難的後果 235 13.1.3 共線性的後果
235 13.1.4 使用降維減輕維數災難和共線性的影響 236 13.2 主成分分析的概念 236 13.3 構建個PCA模型 240 13.3.1 載入和研究鈔票資料集 240 13.3.2 執行PA 242 13.3.3 繪製PCA結果 243 13.3.4 計算新資料的成分得分 246 13.4 PCA的優缺點 247 13.5 本章小結 247 13.6 練習題答案 247 第14章 化t-SNE和UMAP的相似性 249 14.1 t-SNE的含義 249 14.2 建立個t-SNE模型 253 14.2
.1 執行t-SNE 253 14.2.2 繪製t-SNE結果 255 14.3 UMAP的含義 256 14.4 建立個UMAP模型 258 14.4.1 執行UMAP 258 14.4.2 繪製UMAP結果 260 14.4.3 計算新資料的UMAP嵌入 261 14.5 t-SNE和UMAP的優缺點 261 14.6 本章小結 261 14.7 練習題答案 262 第15章 自組織映射和局部線性嵌入 263 15.1 先決條件：節點網格和流形 263 15.2 自組織映射的概念 264 15.2.1 創建節點
網格 265 15.2.2 隨機分配權重，並將樣本放在節點上 266 15.2.3 更新節點權重以更好地匹配節點內部樣本 267 15.3 建立個SOM 268 15.3.1 載入和研究跳蚤資料集 269 15.3.2 訓練SOM 270 15.3.3 繪製SOM結果 272 15.3.4 將新資料映射到SOM 275 15.4 局部線性嵌入的概念 277 15.5 建立個LLE 278 15.5.1 載入和研究S曲線資料集 278 15.5.2 訓練LLE 280 15.5.3 繪製LLE結果 281 15.6 建
立跳蚤資料集的LLE 282 15.7 SOM和LLE的優缺點 283 15.8 本章小結 284 15.9 練習題答案 284 第Ⅴ部分 聚類演算法 第16章 使用k-均值演算法尋找中心聚類 288 16.1 k-均值演算法的定義 288 16.1.1 Lloyd 演算法 289 16.1.2 MacQueen演算法 290 16.1.3 Hartigan-演算法 291 16.2 建立個k-均值演算法 模型 292 16.2.1 載入和研究GvHD資料集 292 16.2.2 定義任務和學習器 294 16.2.3
選擇聚類的數量 295 16.2.4 調節k值和選擇k-均值演算法 298 16.2.5 訓練終的、調節後的k-均值演算法模型 301 16.2.6 使用模型預測新資料的聚類 303 16.3 k-均值演算法的優缺點 304 16.4 本章小結 304 16.5 練習題答案 304 第17章 層次聚類 306 17.1 什麼是層次聚類 306 17.1.1 聚合層次聚類 309 17.1.2 分裂層次聚類 310 17.2 建立個聚合層次聚類模型 311 17.2.1 選擇聚類數量 312 17.2.2 切割樹狀圖
以選擇平坦的聚類集合 317 17.3 聚類穩定嗎 318 17.4 層次聚類的優缺點 320 17.5 本章小結 320 17.6 練習題答案 320 第18章 基於密度的聚類：DBSCAN和OPTICS 323 18.1 基於密度的聚類的定義 323 18.1.1 DBSCAN演算法是如何學習的 324 18.1.2 OPTICS演算法是如何學習的 326 18.2 建立DBSCAN模型 331 18.2.1 載入和研究banknote資料集 331 18.2.2 調節ε和minPts超參數 332 18.3 建立OP
TICS模型 343 18.4 基於密度的聚類的優缺點 345 18.5 本章小結 346 18.6 練習題答案 346 第19章 基於混合建模的分佈聚類 348 19.1 混合模型聚類的概念 348 19.1.1 使用EM演算法計算概率 349 19.1.2 EM演算法的期望和化步驟 350 19.1.3 如何處理多個變數 351 19.2 建立個用於聚類的高斯混合模型 353 19.3 混合模型聚類的優缺點 356 19.4 本章小結 357 19.5 練習題答案 357 第20章 終筆記和進一步閱讀 359
20.1 簡要回顧機器學習概念 359 20.1.1 監督機器學習、無監督機器學習和半監督機器學習 360 20.1.2 用於平衡模型性能的偏差-方差平衡 362 20.1.3 使用模型驗證判斷過擬合/欠擬合 362 20.1.4 在超參數調節下化模型性能 364 20.1.5 使用缺失值插補處理缺失資料 365 20.1.6 特徵工程和特徵選擇 365 20.1.7 通過集成學習技術提高模型性能 366 20.1.8 使用正則化防止過擬合 366 20.2 學完本書後，還可以學習哪些內容 367 20.2.1 深度學習 36
7 20.2.2 強化學習 367 20.2.3 通用R資料科學和tidyverse 367 20.2.4 mlr教程以及創建新的學習器/性能度量 367 20.2.5 廣義加性模型 367 20.2.6 集成方法 368 20.2.7 支持向量機 368 20.2.8 異常檢測 368 20.2.9 時間序列預測 368 20.2.10 聚類 368 20.2.11 廣義線性模型 368 20.2.12 半監督機器學習 369 20.2.13 建模光譜數據 369 20.3 結語 369 附錄 複習統計學概念
370