[套装书]R语言：实用数据分析和可视化技术（原书第2版）+深度学习：R语言实践指南（2册）

作者
[美] 贾里德· P. 兰德（Jared P. Lander）[美]托威赫·贝索洛（Taweh Beysolow II）
丛书名
大数据技术丛书
出版社
机械工业出版社
ISBN
9781912039592
简要
简介
内容简介书籍计算机书籍 ---------------------------R语言：实用数据分析和可视化技术（原书第2版）--------------------------- 本书借鉴数据科学家Jared P. Lander在R语言上丰富的教学经验，通过大量实例，详细讲解R语言的核心功能。对于刚接触统计程序和模型的人，本书的内容组织结构使得学习R语言相当简单和直观。本书主要介绍R语言中20%的核心功能，但是这20%的功能足以让你解决80%的现代数据分析。 书中每一章都是从基础知识开始，提供大量的实例和代码。你将学习下载和安装R语言；设置和使用R语言环境；掌握基本的程序编写，数据导入、操作和可视化；完成几个测验。然后在此基础上，你将构建几个完整的模型，包括线性和非线性模型，学习数据挖掘技术。接着你将在代码中学习使用LaTeX，RMarkdown和Shiny等R语言包。 ---------------------------深度学习：R语言实践指南--------------------------- 本书内容主要涉及：深度学习的数学理论基础，包括重要的统计学和线性代数的相关基本概念和知识；深度学习的各种典型模型，例如传统的单层感知器模型、多层感知器模型，以及卷积神经网络、循环神经网络、受限玻耳兹曼机、深度信念网络等一些更为复杂的模型；构建深度学习模型的实验设计方法以及实验过程中的特征选择方法；应用R语言进行机器学习和深度学习实践的案例。
目录



---------------------------R语言：实用数据分析和可视化技术（原书第2版）---------------------------


译者序
序
前言
致谢
第1章　获取R语言 1
1.1　下载R语言 1
1.2　R语言版本 2
1.3　32位与64位 2
1.4　安装R语言 2
1.4.1　在Windows系统上安装 2
1.4.2　在Mac OS X系统上安装 5
1.4.3　在Linux系统上安装 8
1.5　微软开源R语言 10
1.6　小结 10
第2章　R语言环境 11
2.1　命令行界面 12
2.2　RStudio 13
2.2.1　RStudio项目 14
2.2.2　RStudio工具 16
2.2.3　Git集成 20
2.3　微软Visual Studio 22
2.4　小结 22
第3章　R语言包 23
3.1　安装R语言包 23
3.2　加载R语言包 25
3.3　构建R语言包 26
3.4　小结 26
第4章　R语言基础 27
4.1　基本数学运算 27
4.2　变量 28
4.2.1　变量赋值 28
4.2.2　删除变量 29
4.3　数据类型 30
4.3.1　数值型 30
4.3.2　字符型 31
4.3.3　日期型 32
4.3.4　逻辑型 32
4.4　向量 34
4.4.1　向量操作 34
4.4.2　factor向量 37
4.5　函数调用 38
4.6　函数文档 38
4.7　缺失数据 39
4.7.1　NA 39
4.7.2　NULL 40
4.8　管道 40
4.9　小结 41
第5章　高级数据结构 42
5.1　数据框 42
5.2　列表 48
5.3　矩阵 53
5.4　数组 56
5.5　小结 56
第6章　R语言读取数据 57
6.1　读取CSV文件 57
6.1.1　read_delim函数 59
6.1.2　fread函数 60
6.2　读取Excel数据 60
6.3　读取数据库数据 62
6.4　读取其他统计工具的数据 64
6.5　读取R语言二进制文件 65
6.6　读取R语言数据 67
6.7　读取网页数据 68
6.7.1　读取HTML表格 68
6.7.2　抽取网页数据 69
6.8　读取JSON数据 70
6.9　小结 72
第7章　统计图 73
7.1　基础统计图 73
7.1.1　基础直方图 74
7.1.2　基础散点图 74
7.1.3　箱线图 75
7.2　ggplot2 75
7.2.1　ggplot2：直方图和核密度曲线 76
7.2.2　ggplot2：散点图 77
7.2.3　ggplot2：箱线图和小提琴图 79
7.2.4　ggplot2：曲线图 82
7.2.5　主题 83
7.3　小结 84
第8章　编写R语言函数 85
8.1　Hello，World！ 85
8.2　函数参数 86
8.2.1　默认参数 87
8.2.2　额外参数 87
8.3　返回值 88
8.4　do.call函数 89
8.5　小结 89
第9章　控制语句 90
9.1　if和else语句 90
9.2　switch语句 92
9.3　ifelse函数 94
9.4　复合检查 95
9.5　小结 95
第10章　R语言的循环迭代 96
10.1　for循环 96
10.2　while循环 97
10.3　控制循环 98
10.4　小结 99
第11章　分组操作 100
11.1　apply函数族 100
11.1.1　apply函数 100
11.1.2　lapply和sapply函数 101
11.1.3　mapply函数 102
11.1.4　其他的apply函数 102
11.2　aggregate函数 103
11.3　plyr包 105
11.3.1　ddply函数 106
11.3.2　llply函数 108
11.3.3　plyr的辅助函数 109
11.3.4　速度与便利性 109
11.4　data.table包 109
11.4.1　键值 113
11.4.2　data.table聚合 115
11.5　小结 117
第12章　高效的分组操作：dplyr 118
12.1　管道 118
12.2　tbl数据类型 119
12.3　select函数 120
12.4　filter函数 127
12.5　slice函数 131
12.6　mutate函数 132
12.7　summarize函数 135
12.8　group_by函数 136
12.9　arrange函数 137
12.10　do函数 137
12.11　dplyr使用数据库 139
12.12　小结 140
第13章　数据迭代 141
13.1　map函数 141
13.2　特定类型的map函数 143
13.2.1　map_int函数 144
13.2.2　map_dbl函数 144
13.2.3　map_chr函数 144
13.2.4　map_lgl函数 145
13.2.5　map_df函数 145
13.2.6　map_if函数 146
13.3　数据框的迭代 147
13.4　map函数的多输入 148
13.5　小结 149
第14章　数据整理 150
14.1　cbind和rbind 150
14.2　连接 151
14.2.1　合并 152
14.2.2　plyr中的join 152
14.2.3　合并表 156
14.3　reshape2 157
14.3.1　melt函数 157
14.3.2　dcast函数 159
14.4　小结 160
第15章　数据重构：Tidyverse 161
15.1　合并行和列数据 161
15.2　用dplyr包连接 162
15.3　行列变换 166
15.4　小结 169
第16章　字符串操作 170
16.1　paste 170
16.2　把格式数据写成串（sprintf） 171
16.3　提取文本 172
16.4　正则表达式 175
16.5　小结 181
第17章　概率分布 182
17.1　正态分布 182
17.2　二项分布 186
17.3　泊松分布 190
17.4　其他分布 192
17.5　小结 194
第18章　基本统计 195
18.1　概括性统计量 195
18.2　相关系数和协方差 198
18.3　t-检验 205
18.3.1　单样本t-检验 206
18.3.2　两样本t-检验 208
18.3.3　两配对样本t-检验 210
18.4　方差分析 211
18.5　小结 213
第19章　线性模型 214
19.1　简单线性回归 214
19.2　多元回归 219
19.3　小结 234
第20章　广义线性模型 235
20.1　逻辑斯蒂回归 235
20.2　泊松回归 238
20.3　其他的广义线性模型 241
20.4　生存分析 242
20.5　小结 246
第21章　模型诊断 247
21.1　残差 247
21.2　模型比较 252
21.3　交叉验证 255
21.4　Bootstrap 259
21.5　逐步变量选择 262
21.6　小结 264
第22章　正则化和压缩 265
22.1　弹性网络 265
22.2　贝叶斯压缩 279
22.3　小结 282
第23章　非线性模型 283
23.1　非线性最小二乘法 283
23.2　样条插值 285
23.3　广义相加模型 288
23.4　决策树 293
23.5　boost树 295
23.6　随机森林 298
23.7　小结 299
第24章　时间序列和自相关 301
24.1　自回归移动平均模型 301
24.2　向量自回归 306
24.3　广义自回归异方差模型 311
24.4　小结 317
第25章　聚类 318
25.1　k-均值 318
25.2　PAM 325
25.3　分层聚类 329
25.4　小结 332
第26章　模型拟合调优：caret 333
26.1　caret介绍 333
26.2　caret选项 333
26.2.1　caret训练控制 334
26.2.2　caret网格搜索 334
26.3　boost树调优 335
26.4　小结 338
第27章　可重复性报告：knitr 339
27.1　安装LaTeX 339
27.2　LaTeX基础 340
27.3　knitr中使用LaTeX 342
27.4　小结 346
第28章　R语言文档：RMarkdown 347
28.1　文档编译 347
28.2　文档头信息 347
28.3　Markdown入门 348
28.4　Markdown代码块 350
28.5　htmlwidgets 351
28.5.1　表数据 352
28.5.2　leaflet 354
28.5.3　dygraphs 356
28.5.4　threejs 358
28.5.5　d3heatmap 360
28.6　RMarkdown幻灯片 361
28.7　小结 362
第29章　交互式dashboard：Shiny 363
29.1　在RMarkdown中使用Shiny 363
29.2　Shiny中的响应表达式 366
29.3　服务端和UI界面 368
29.4　小结 376
第30章　构建R包 377
30.1　结构 377
30.2　包文件 378
30.2.1　DESCRIPTION文件 378
30.2.2　NAMESPACE文件 380
30.2.3　其他包文件 382
30.3　包文档 384
30.4　测试 386
30.5　包的检查、构建和安装 388
30.6　提交至CRAN 389
30.7　C++代码 390
30.7.1　sourceCpp 390
30.7.2　编译包 392
30.8　小结 394
附录A　相关资源 395



---------------------------深度学习：R语言实践指南---------------------------


译者序
关于作者
关于技术审稿人
前言
第1章深度学习简介
11深度学习模型
111单层感知器模型
112多层感知器模型
113卷积神经网络
114循环神经网络
115受限玻耳兹曼机
116深度信念网络
12其他
121实验设计
122特征选择
123机器学习及深度学习应用
124深度学习的历史
13小结
第2章数学知识回顾
21统计学基本概念
211概率
212交与并
213贝叶斯定理
214随机变量
215方差
216标准差
217可决系数
218均方误差
22线性代数
221标量和向量
222向量的特性
223公理
224子空间
225矩阵
23小结
第3章优化及机器学习回顾
31无约束优化
311局部极小值
312全局极小值
313局部极小值的条件
32近邻算法
33机器学习方法：有监督学习
331机器学习的历史
332什么是算法
34回归模型
35选择合适的学习速率
351牛顿法
352LevenbergMarquardt启发式方法
36多重共线性
37评价回归模型
38分类
381逻辑回归
382受试者工作特征曲线
383混淆矩阵
384逻辑回归的局限性
385支持向量机
39机器学习方法：无监督学习
391K均值聚类
392K均值聚类的局限性
310最大期望算法
311决策树学习
312集成方法以及其他启发式算法
313贝叶斯学习
314强化学习
315小结
第4章单层及多层感知器模型
41单层感知器模型
411训练感知器模型
412WH算法
413单层感知器模型的局限性
414汇总统计结果
42多层感知器模型
421收敛得到全局最优解
422MLP模型中的反向传播算法
423MLP模型的局限性和讨论
424应该使用几层隐含层，又应该有多少个神经元
43小结
第5章卷积神经网络
51CNN的结构和特点
52CNN的组成
521卷积层
522池化层
523修正线性单元层
524全连接层
525损失层
53参数调整
54经典的CNN架构
55正则化
56小结
第6章循环神经网络
61完全循环网络
62使用时间反向传播训练RNN
63Elman神经网络
64神经历史压缩器
65长短期记忆网络
66RNN里的结构化抑制
67参数调优更新算法
68RNN的实际案例：模式检测
69小结
第7章自编码器、受限玻耳兹曼机及深度信念网络
71自编码器
72受限玻耳兹曼机
73深度信念网络
74快速学习算法
75小结
第8章实验设计与启发
81方差分析
82F统计和F分布
83PlackettBurman设计
84空间填充
85全因子
86Halton、Faure和Sobol序列
87A/B测试
871简单双样本A/B测试
872A/B测试中的β二项层次模型
88特征、变量选择技术
881后向与前向选择
882主成分分析
883因子分析
89处理分类数据
891因子水平编码
892分类标签问题：太多水平值
893典型相关分析
810包裹式、过滤式及嵌入式算法
811其他局部搜索算法
8111登山算法
8112遗传算法
8113模拟退火
8114蚁群优化算法
8115变邻域搜索算法
812反应式搜索优化
8121反应式禁忌
8122固定禁忌搜索
8123反应式禁忌搜索
8124WalkSAT算法
8125K近邻
813小结
第9章软硬件建议
91使用标准硬件处理数据
92固态硬盘和硬盘驱动器
93图形处理单元
94中央处理器
95随机存取存储器
96主板
97供电设备
98机器学习软件的优化
99小结
第10章机器学习实例
101问题1：资产价格预测
1011问题类型：有监督学习——回归
1012实验说明
1013特征选择
1014模型评价
102问题2：速配
1021问题类型：分类
1022数据预处理：数据清洗和填充
1023特征选择
1024模型训练和评价
103小结
第11章深度学习及其他实例
111自编码器
112卷积神经网络
1121预处理
1122模型构建和训练
113协同过滤
114小结
结束语



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4