[套装书](特价书)R语言机器学习：实用案例分析+(特价书)R语言数据分析+(特价书)R语言数据挖掘：实用项目解析（3册）

作者
拉格哈夫·巴利 迪潘简·撒卡尔 盖尔盖伊·道罗齐 普拉迪帕塔·米什拉
丛书名
数据分析与决策技术丛书
出版社
机械工业出版社
ISBN
9782008241537
简要
简介
内容简介书籍计算机书籍 ---------------------------(特价书)R语言机器学习：实用案例分析--------------------------- 数据科学和机器学习是当今技术领域中*的流行语。本书将带您进行一次数据驱动的旅程，从基础的R和机器学习开始，逐步建立用于解决实际问题的项目的概念。本书共8章。第1章介绍R及其相关的基础知识，并简单介绍了机器学习的概念。第2章深入研究机器学习，介绍各种类型的学习算法，以及一些现实世界的案例。第3章使用市场购物篮分析和关联规则挖掘进行电子商务产品推荐、预测和模式分析。第4章分析不同用户对电子商务产品的评论和评级，使用算法和技术（例如用户协同过滤器）设计一个推荐系统。第5章将机器学习应用于信用风险检测和预测中。第6章使用多种机器学习算法检测和预测哪些客户具有潜在信用风险，介绍了多种有监督学习算法并比较它们的性能。第7章介绍社交媒体和通过TwitterAPI收集数据的过程。第8章根据TwitterAPI的知识建立一个项目，基于该项目分析推文中的情感。 ---------------------------(特价书)R语言数据分析--------------------------- 本书共分为14章，重点探讨了数据预处理的方法，包括数据获取、筛选、重构、建模、平滑以及降维，本书还介绍了分类和聚类等几种主要的数据分析方法，zui后探讨了网络数据、时序数据、空间数据及社交媒体数据等一些特殊类型数据的分析处理。 ---------------------------(特价书)R语言数据挖掘：实用项目解析--------------------------- 本书将阐述数据挖掘的一些主题，如数学表述、在软件中的实现，以及如何据此来解决商业问题。本书旨在让读者可以从数据管理技术、探索性数据分析、数据可视化等内容着手学习，循序渐进，直至建立高级预测模型。本书也从数据科学、分析学、统计建模以及可视化等角度对数据挖掘这一概念进行了综述。
目录



---------------------------(特价书)R语言机器学习：实用案例分析---------------------------


Contents目　　录
译者序
前言
关于作者
关于审稿人
第1章　开始使用R语言和机器学习 1
1.1　探究R的基本内容 2
1.1.1　使用R作为科学计算器 2
1.1.2　向量运算 3
1.1.3　特殊值 5
1.2　R的数据结构 5
1.2.1　向量 6
1.2.2　数组和矩阵 8
1.2.3　列表 13
1.2.4　数据框 16
1.3　使用函数 20
1.3.1　内置函数 20
1.3.2　用户自定义函数 20
1.3.3　以参数形式传递函数 21
1.4　控制代码流 22
1.4.1　使用if、if-else和ifelse语句 22
1.4.2　使用switch语句 23
1.4.3　循环 23
1.5　高级结构 24
1.5.1　lapply和sapply函数 25
1.5.2　apply函数 26
1.5.3　tapply函数 27
1.5.4　mapply函数 28
1.6　进一步使用R 29
1.6.1　获得帮助 29
1.6.2　处理添加包 30
1.7　机器学习基础 30
1.7.1　机器学习真正的含义是什么 30
1.7.2　机器学习如何应用于现实世界 31
1.7.3　机器学习算法的类型 32
1.8　总结 33
第2章　让我们进行机器学习 34
2.1　理解机器学习 35
2.2　机器学习算法 35
2.3　算法家族 40
2.3.1　有监督学习算法 41
2.3.2　无监督学习算法 52
2.4　总结 57
第3章　应用市场购物篮分析预测顾客购买趋势 58
3.1　检测和预测趋势 59
3.2　市场购物篮分析 60
3.2.1　市场购物篮分析的真正含义 60
3.2.2　核心概念和定义 60
3.2.3　用于分析的技术 62
3.2.4　制定数据驱动的决策 63
3.3　评估产品列联矩阵 63
3.3.1　获取数据 64
3.3.2　分析和可视化数据 65
3.3.3　整体推荐 66
3.3.4　高级列联矩阵 67
3.4　频繁项集的生成 69
3.4.1　开始 69
3.4.2　数据检索和转换 69
3.4.3　建立项集关联矩阵 70
3.4.4　建立频繁项集生成工作流 72
3.4.5　检测购物趋势 74
3.5　关联规则挖掘 75
3.5.1　加载添加包和数据 76
3.5.2　探索性分析 76
3.5.3　检测和预测购物趋势 77
3.5.4　关联规则可视化 80
3.6　总结 80
第4章　建立产品推荐系统 82
4.1　理解推荐系统 83
4.2　推荐系统存在的问题 83
4.3　协同过滤器 84
4.3.1　核心概念和定义 84
4.3.2　协同过滤算法 85
4.4　建立推荐引擎 87
4.4.1　矩阵分解 88
4.4.2　算法实现 90
4.4.3　解释结果 94
4.5　产品推荐引擎实战 95
4.5.1　提取、转换并分析数据 96
4.5.2　模型准备和预测 99
4.5.3　模型评价 100
4.6　总结 102
第5章　信用风险检测和预测描述分析 103
5.1　分析的类型 104
5.2　我们将要面临的挑战 104
5.3　什么是信用风险 105
5.4　获取数据 105
5.5　数据处理 107
5.5.1　处理缺失值 107
5.5.2　数据类型转换 108
5.6　数据分析和变换 109
5.6.1　建立分析实用函数 110
5.6.2　分析数据集 113
5.6.3　保存变换后的数据集 130
5.7　接下来的步骤 130
5.7.1　建立特征集 130
5.7.2　选择机器学习算法 131
5.8　总结 131
第6章　信用风险检测和预测预测分析 133
6.1　预测分析 134
6.2　如何预测信用风险 135
6.3　预测模型中的重要概念 137
6.3.1　准备数据 137
6.3.2　建立预测模型 137
6.3.3　评估预测模型 138
6.4　获取数据 140
6.5　数据处理 141
6.6　特征选择 142
6.7　应用逻辑回归建立模型 144
6.8　应用支持向量机建立模型 148
6.9　应用决策树建立模型 156
6.10　应用随机森林建立模型 161
6.11　应用神经网络建立模型 165
6.12　模型比较和选择 169
6.13　总结 171
第7章　社交媒体分析：分析Twitter数据 172
7.1　社交网络（Twitter） 172
7.2　数据挖掘与社交网络 174
7.2.1　挖掘社交网络数据 175
7.2.2　数据和可视化 176
7.3　从Twitter API开始 179
7.3.1　概览 179
7.3.2　注册应用 180
7.3.3　链接/认证 181
7.3.4　提取推文示例 182
7.4　Twitter数据挖掘 183
7.4.1　常用词汇和关联 186
7.4.2　广泛使用的设备 191
7.4.3　层次聚类 192
7.4.4　主题建模 194
7.5　社交网络数据挖掘带来的挑战 197
7.6　参考文献 198
7.7　总结 198
第8章　Twitter数据的情感分析 200
8.1　理解情感分析 201
8.1.1　情感分析的关键概念 201
8.1.2　方法 204
8.1.3　应用 205
8.1.4　挑战 206
8.2　推文中的情感分析 206
8.2.1　极性分析 208
8.2.2　基于分类的算法 212
8.3　总结 223



---------------------------(特价书)R语言数据分析---------------------------


Contents目　　录译者序前言第1章　你好，数据！ 11.1　导入一个大小合适的文本文件 21.2　文本文件编译测试平台 51.3　导入文本文件的子集 61.4　从数据库中导入数据 81.4.1　搭建测试环境 91.4.2　MySQL和MariaDB 111.4.3　PostgreSQL 151.4.4　Oracle数据库 171.4.5　访问ODBC数据库 221.4.6　使用图形化用户面连接数据库 231.4.7　其他数据库后台 241.5　从其他统计系统导入数据 251.6　导入Excel电子表格 261.7　小结 26第2章　从Web获取数据 282.1　从Internet导入数据集 292.2　其他流行的在线数据格式 322.3　从HTML表中读取数据 372.4　从其他在线来源获取数据 392.5　使用R包与数据源API交互 422.5.1　Socrata的开源数据API 432.5.2　金融API 442.5.3　使用Quandl获取时序数据 452.5.4　Google文档和统计数据 462.5.5　在线搜索的发展趋势 472.5.6　天气历史数据 482.5.7　其他在线数据源 492.6　小结 49第3章　数据筛选和汇总 503.1　去掉多余的数据 503.1.1　快速去掉多余数据 523.1.2　快速去掉多余数据的其他方法 533.2　聚集 543.2.1　使用基础的R命令实现快速聚集 553.2.2　方便的辅助函数 563.2.3　高性能的辅助函数 573.2.4　使用data.table完成聚集 593.3　测试 593.4　汇总函数 623.5　小结 64第4章　数据重构 654.1　矩阵转置 654.2　基于字符串匹配实现数据筛选 664.3　数据重排序 674.4　dplyr包和data.table包的比较 704.5　创建新变量 704.5.1　内存使用分析 714.5.2　同时创建多个变量 724.5.3　采用dplyr包生成新变量 734.6　数据集合并 744.7　灵活地实现数据整形 764.7.1　将宽表转换为长表 774.7.2　将长表转换为宽表 784.7.3　性能调整 804.8　reshape包的演变 804.9　小结 81第5章　建模 825.1　多元模型的由来 835.2　线性回归及连续预测变量 835.2.1　模型解释 835.2.2　多元预测 855.3　模型假定 875.4　回归线的拟合效果 905.5　离散预测变量 925.6　小结 95第6章　线性趋势直线外的知识 966.1　工作流建模 966.2　逻辑回归 976.2.1　数据思考 1006.2.2　模型拟合的好处 1016.2.3　模型比较 1026.3　计数模型 1026.3.1　泊松回归 1036.3.2　负二项回归 1076.3.3　多元非线性模型 1076.4　小结 115第7章　非结构化数据 1167.1　导入语料库 1167.2　清洗语料库 1187.3　展示语料库的高频词 1217.4　深度清洗 1217.4.1　词干提取 1227.4.2　词形还原 1247.5　词条关联说明 1247.6　其他一些度量 1257.7　文档分段 1267.8　小结 128第8章　数据平滑 1298.1　缺失值的类型和来源 1298.2　确定缺失值 1308.3　忽略缺失值 1318.4　去掉缺失值 1348.5　在分析前或分析中筛选缺失值 1368.6　填补缺失值 1368.6.1　缺失值建模 1388.6.2　不同填补方法的比较 1408.6.3　不处理缺失值 1418.6.4　多重填补 1418.7　异常值和孤立点 1418.8　使用模糊方法 1448.9　小结 146第9章　从大数据到小数据 1479.1　充分性测试 1489.1.1　正态性 1489.1.2　多元变量正态性 1499.1.3　变量间的依赖关系 1529.1.4　KMO和Barlett检验 1549.2　主成分分析 1579.2.1　PCA算法 1589.2.2　确定成分数 1599.2.3　成分解释 1619.2.4　旋转方法 1649.2.5　使用PCA检测孤立点 1679.3　因子分析 1709.4　主成分分析和因子分析 1729.5　多维尺度分析 1739.6　小结 176第10章　分类和聚类 17710.1　聚类分析 17810.1.1　层次聚类 17810.1.2　确定簇的理想个数 18110.1.3　k均值聚类 18310.1.4　可视化聚类 18510.2　潜类别模型 18610.2.1　潜类别分析 18710.2.2　LCR模型 18910.3　判别分析 18910.4　逻辑回归 19210.5　机器学习算法 19410.5.1　k近邻算法 19510.5.2　分类树 19710.5.3　随机森林 20010.5.4　其他算法 20110.6　小结 203第11章　基于R的社会网络分析 20411.1　装载网络数据 20411.2　网络中心性度量 20611.3　网络数据的展现 20711.3.1　交互网络图 21011.3.2　绘制层次图 21111.3.3　使用R包来解释包的依赖关系 21211.4　更多网络分析资源 21211.5　小结 213第12章　时序数据分析 21412.1　创建时序对象 21412.2　展现时序数据 21512.3　季节性分解 21712.4　Holt-Winters筛选 21812.5　自回归积分滑动平均模型 22012.6　孤立点检测 22112.7　更复杂的时序对象 22412.8　高级时序数据分析 22512.9　小结 225第13章　我们身边的数据 22613.1　地理编码 22613.2　在空间中展示数据点 22813.3　找出数据点的多边形重叠区域 23013.4　绘制主题图 23213.5　围绕数据点绘制多边形 23313.5.1　等高线 23413.5.2　冯洛诺伊图 23613.6　卫星图 23713.7　交互图 23813.7.1　查询Google地图 23813.7.2　Java脚本地图库 24013.8　其他绘图方法 24213.9　空间数据分析 24413.10　小结 246第14章　分析R社区 24714.1　R创始团队的成员 24714.2　R开发包的维护人员 24914.3　R-help邮件列表 25314.3.1　R-help邮件列表的规模 25614.3.2　预测未来的邮件规模 25814.4　分析用户列表的重叠部分 26014.5　社交媒体内的R用户数 26214.6　社交媒体中与R相关的贴子 26314.7　小结 266附录 267


---------------------------(特价书)R语言数据挖掘：实用项目解析---------------------------


译者序
前言
第1章　使用R内置数据进行数据处理 1
1.1　什么是数据挖掘 2
1.2　R语言引论 4
1.2.1　快速入门 4
1.2.2　数据类型、向量、数组与矩阵 4
1.2.3　列表管理、因子与序列 7
1.2.4　数据的导入与导出 8
1.3　数据类型转换 10
1.4　排序与合并数据框 11
1.5　索引或切分数据框 15
1.6　日期与时间格式化 16
1.7　创建新函数 17
1.7.1　用户自定义函数 17
1.7.2　内置函数 18
1.8　循环原理——for循环 18
1.9　循环原理——repeat循环 19
1.10　循环原理——while循环 19
1.11　apply原理 19
1.12　字符串操作 21
1.13　缺失值（NA）的处理 22
小结 23
第2章　汽车数据的探索性分析 24
2.1　一元分析 24
2.2　二元分析 30
2.3　多元分析 31
2.4　解读分布和变换 32
2.4.1　正态分布 32
2.4.2　二项分布 34
2.4.3　泊松分布 34
2.5　解读分布 34
2.6　变量分段 37
2.7 列联表、二元统计及数据正态性检验 37
2.8　假设检验 41
2.8.1　总体均值检验 42
2.8.2　双样本方差检验 46
2.9　无参数方法 48
2.9.1　Wilcoxon符号秩检验 49
2.9.2　Mann-Whitney-Wilcoxon检验 49
2.9.3　Kruskal-Wallis检验 49
小结 50
第3章　可视化diamond数据集 51
3.1　使用ggplot2可视化数据 54
3.1.1　条状图 64
3.1.2　盒状图 65
3.1.3　气泡图 65
3.1.4　甜甜圈图 66
3.1.5　地理制图 67
3.1.6　直方图 68
3.1.7　折线图 68
3.1.8　饼图 69
3.1.9　散点图 70
3.1.10　堆叠柱形图 75
3.1.11　茎叶图 75
3.1.12　词云 76
3.1.13　锯齿图 76
3.2　使用plotly 78
3.2.1　气泡图 78
3.2.2　用plotly画条状图 79
3.2.3　用plotly画散点图 79
3.2.4　用plotly画盒状图 80
3.2.5　用plotly画极坐标图 82
3.2.6　用plotly画极坐标散点图 82
3.2.7　极坐标分区图 83
3.3　创建地理制图 84
小结 84
第4章　用汽车数据做回归 85
4.1　回归引论 85
4.1.1　建立回归问题 86
4.1.2　案例学习 87
4.2　线性回归 87
4.3　通过逐步回归法进行变量选取 98
4.4　Logistic回归 99
4.5　三次回归 105
4.6　惩罚回归 106
小结 109
第5章　基于产品数据的购物篮分析 110
5.1　购物篮分析引论 110
5.1.1　什么是购物篮分析 111
5.1.2　哪里会用到购物篮分析 112
5.1.3　数据要求 112
5.1.4　前提假设／要求 114
5.1.5　建模方法 114
5.1.6　局限性 114
5.2　实际项目 115
5.2.1　先验算法 118
5.2.2　eclat算法 121
5.2.3　可视化关联规则 123
5.2.4　实施关联规则 124
小结 126
第6章　聚类电商数据 127
6.1　理解客户分类 128
6.1.1　为何理解客户分类很重要 128
6.1.2　如何对客户进行分类 128
6.2　各种适用的聚类方法 129
6.2.1　K均值聚类 130
6.2.2　层次聚类 135
6.2.3　基于模型的聚类 139
6.2.4　其他聚类算法 140
6.2.5　聚类方法的比较 143
参考文献 143
小结 143
第7章　构建零售推荐引擎 144
7.1　什么是推荐 144
7.1.1　商品推荐类型 145
7.1.2　实现推荐问题的方法 145
7.2　前提假设 147
7.3　什么时候采用什么方法 148
7.4　协同过滤的局限 149
7.5　实际项目 149
小结 157
第8章　降维 158
8.1　为什么降维 158
8.2　降维实际项目 161
8.3　有参数法降维 172
参考文献 173
小结 173
第9章　神经网络在医疗数据中的应用 174
9.1　神经网络引论 174
9.2　理解神经网络背后的数学原理 176
9.3　用R语言实现神经网络 177
9.4　应用神经网络进行预测 180
9.5　应用神经网络进行分类 183
9.6　应用神经网络进行预测 185
9.7　神经网络的优缺点 187
参考文献 187
小结 187



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4