**章 機器學習基本原理與啟示/ 1 **節 為什么需要學習機器學習/ 1 第二節 機器學習的基本任務/ 5 第三節 機器學習基本原理/ 9 第四節 機器學習的應用與啟示/ 18 參考文獻/ 21 第二章 經典回歸算法/ 24 **節 OLS回歸算法/ 24 第二節 嶺回歸算法/ 33 第三節 Lasso回歸算法/ 41 第四節 算法調參/ 49 參考文獻/ 57 第三章 經典分類算法/ 59 **節 分類算法簡介/ 59 第二節 K近鄰算法/ 61 第三節 樸素貝葉斯算法/ 70 第四節 決策樹算法/ 75 第五節 支持向量機算法/ 83 第六節 分類算法評估/ 92 參考文獻/ 95 第四章 自然語言處理入門/ 97 **節 自然語言處理的基本任務/ 97 第二節 分詞/ 103 第三節 TF-IDF/ 116 第四節 文本相似度/ 121 參考文獻/ 134 第五章 集成算法/ 136 **節 集成算法基本原理/ 136 第二節 隨機森林算法/ 139 第三節 梯度提升樹算法/ 146 第四節 XGBoost算法/ 152 參考文獻/ 158 第六章 無監督學習算法/ 159 **節 無監督學習簡介/ 159 第二節 聚類算法/ 161 第三節 降維算法/ 168 第四節 LDA主題模型/ 175 參考文獻/ 191 第七章 深度學習算法/ 193 **節 神經網絡基本原理與前饋神經網絡/ 193 第二節 卷積神經網絡/ 207 第三節 循環神經網絡/ 217 第四節 Word2Vec詞嵌入算法/ 223 第五節 大語言模型簡介/ 229 參考文獻/ 235 第八章 特征工程入門與實踐/ 237 **節 特征工程簡介/ 237 第二節 特征理解：探索性分析/ 238 第三節 特征增強：清洗數據/ 244 第四節 特征構造：生成新數據/ 261 第五節 特征選擇：篩選屬性/ 263 第六節 特征轉換：數據降維/ 270 參考文獻/ 272 第九章 機器學習與因果識別/ 273 **節 機器學習助力因果識別的基本邏輯/ 273 第二節 更好識別和控制混淆因素/ 275 第三節 更好地構建對照組/ 279 第四節 更好地識別異質性因果效應/ 287 第五節 更好地檢驗因果關系的外部有效性/ 291 第六節 大數據和機器學習對因果識別的沖擊/ 292 第七節 未來展望/ 295 參考文獻/ 296 第十章 機器學習與異質性政策效應分析/ 306 **節 異質性政策效應評估的價值和傳統方法/ 306 第二節 傳統異質性政策評估方法的問題/ 311 第三節 機器學習在異質性政策效應評估中的應用/ 315 第四節 機器學習的局限以及未來方向/ 324 參考文獻/ 330