[1장] ISL with R 소개

1. 들어가며  

  ISL( An Introduction to Statistical Learning with Applications in R ) 은 머신러닝에서 비교적 기초 이론서로 알려져 있다. 계속 읽으려고 하다가 의지가 안 생겨서 블로그에 후기 남기면서 읽으면 쫌 속도가 날라나... 해서 블로그에 한 장씩 읽을 때마다 소감 비슷하게 쓰려고 한다.

  사실 책 내용을 각 장마다 요약해서 블로그에 올리고 싶은데 그럼 저작권의 철퇴를 피해갈 수가 없을 것 같아서 이 책에서 얻은 지식과 일반적으로 퍼져 있는 지식을 조합해서 간단한 소감 정도만 적을 수 있을 것 같다. 그럼 다음 주부터 시작해야겠다. 

2. 목차

 1장 Introduction

 2장 Statistical Learning

   2.1 What is statistical learning

   2.2 Assessing Model Accuracy

   2.3 Lab: Introduction to R

   2.4 Exercise 

 3장 Linear Regression

   3.1 Simple linear regression

   3.2 Multiple linear regression

   3.3 Other considerations in the regression model 

   3.4 The marketing plan 

   3.5 Comparison of linear regression with K-Nearest neighbors

   3.6 Lab: Linear regression

   3.7 Exercise

 4장 Classification

   4.1 An Overview of Classification

   4.2 Why not linear regression? 

   4.3 Logistic regression

   4.4 Linear discriminant analysis

   4.5 A comparison of classification methods

   4.6 Lab: Logistic Regression, LDA, QDA, and KNN  

   4.7 Exercises

 5장 Resampling Methods 

   5.1 Cross-validation

   5.2 The bootstrap 

   5.3 Lab: Cross-validation and th bootstrap

   5.4 Exercise

 6장 Linear Model Selection and Regularization 

   6.1 Subset selection 

   6.2 Shrinkage methods

   6.3 Dimension reduction methods 

   6.4 Considerations in high dimensions 

   6.5 Lab1: Subset selection methods

   6.6 Lab2: Ridge regression and th Lasso 

   6.7 Lab3: PCR and PLS Regression 

   6.8 Exercise

 7장 Moving Beyond Linearity 

   7.1 Polynomial regression 

   7.2 Step functions 

   7.3 Basis functions

   7.4 Regression splines

   7.5 Smoothing splines

   7.6 Local regression 

   7.7 Generalized additive models 

   7.8 Lab: Non-linear modeling 

   7.9 Exercises

 8장 Tree-Based Methods 

   8.1 The basics of decision tress

   8.2 Bagging,  Random forests, Boosting

   8.3 Lab: Dexicion Trees 

   8.4 Exercise  

 9장 Support Vector Machines

   9.1 Maximal Margin Classifier 

   9.2 Support Vector Classifiers

   9.3 Support vector classifiers 

   9.4 Support vector machines 

   9.5 SVMs with more than two classes 

   9.6 Lab: Support vector Machines 

   9.7 Exercises

 10장 Unsupervised Learning 

   10.1 The challenge of unsupervised learning

   10.2 Principal components analysis

   10.3 Clustering methods 

   10.4 Lab1: Principal components analysis

   10.5 Lab2: Clustering 

   10.6 Lab3: NCI60 Data Example

   10.7 Exercises

 

결론: 이 책 구글링 해보면 인터넷에 PDF로 있을꺼다. 시간이 남아돌고 ㅂㅌ적인 독서취향을 가졌다면 추천한다.