Excel 機器學習

本書通過Excel示例介紹常用的機器學習算法和數據挖掘技術。許多機器學習任務的目的是找到數據中的隱藏模式。Excel能夠清楚地展示機器學習建模過程的每一步及中間結果，讓你不僅知其然，還知其所以然。第1章解釋用Excel學習機器學習的益處。第2～12章分別介紹線性回歸、k均值聚類、線性判別分析、交叉驗證、logistic回歸、k最近鄰、樸素貝葉斯分類、決策樹、關聯分析、神經網絡、文本挖掘。第13章總結全書內容，並為讀者指出繼續學習的方向。

周红博士是美国康涅狄格州圣约瑟夫大学计算机科学和数学教授，也曾在硅谷从事软件开发工作。作为经验丰富的教育工作者，他意识到利用Excel分步讲解机器学习方法和数据挖掘技巧的独特优势，并在实际教学过程中成功地引入Excel作为演示工具。这种教学方法颇受学生欢迎。

第 1章 Excel和數據挖掘 1

1.1 為什麽選擇Excel 1

1.2 Excel 預備技巧 4

1.2.1 公式 5

1.2.2 自動填充或復制 5

1.2.3 絕對引用 7

1.2.4 選擇性粘貼和值粘貼 9

1.2.5 IF 函數 11

1.3 復習要點 17

第 2章 線性回歸 18

2.1 一般性理解 18

2.2 通過Excel學習線性回歸 22

2.3 通過Excel學習多元線性回歸 25

2.4 復習要點 28

第3章 k均值聚類 29

3.1 一般性理解 29

3.2 通過Excel學習k均值聚類 30

3.3 復習要點 39

第4章 線性判別分析 40

4.1 一般性理解 40

4.2 規劃求解 42

4.3 通過Excel學習線性判別分析 44

4.4 復習要點 53

第5章 交叉驗證和ROC曲線分析 54

5.1 對交叉驗證的一般性理解 54

5.2 通過Excel學習交叉驗證 55

5.3 對ROC曲線分析的一般性理解 59

5.4 通過Excel學習ROC曲線分析 60

5.5 復習要點 65

第6章 logistic回歸 66

6.1 一般性理解 66

6.2 通過Excel 學習logistic 回歸 67

6.3 復習要點 73

第7章 k最近鄰 74

7.1 一般性理解 74

7.2 通過Excel 學習k 最近鄰 75

7.2.1 實驗1 75

7.2.2 實驗2 78

7.2.3 實驗3 82

7.2.4 實驗4 85

7.3 復習要點 87

第8章 樸素貝葉斯分類 88

8.1 一般性理解 88

8.2 通過Excel 學習樸素貝葉斯分類 90

8.2.1 練習1 91

8.2.2 練習2 94

8.3 復習要點 100

第9章 決策樹 101

9.1 一般性理解 102

9.2 通過Excel 學習決策樹 105

9.2.1 開始學習 105

9.2.2 更好的方法 115

9.2.3 應用模型 118

9.3 復習要點 120

第 10章 關聯分析 121

10.1 一般性理解 122

10.2 通過Excel 學習關聯分析 124

10.3 復習要點 131

第 11章 人工神經網絡 132

11.1 一般性理解 132

11.2 通過Excel學習人工神經網絡 134

11.2.1 實驗1 134

11.2.2 實驗2 143

11.3 復習要點 152

第 12章 文本挖掘 153

12.1 一般性理解 153

12.2 通過Excel學習文本挖掘 155

12.3 復習要點 168

第 13章 後記 169