用商業(yè)案例學R語言數(shù)據(jù)挖掘

定　價：￥69.00

作　者：	常國珍，曾珂，朱江著；經(jīng)管之家編
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	>計算機/網(wǎng)絡 >數(shù)據(jù)倉庫與數(shù)據(jù)挖掘 >數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787121319587	出版時間：	2017-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	460	字數(shù)：

內(nèi)容簡介

　　商業(yè)智能時代已經(jīng)全面到來，分析型人才的崗位數(shù)量在就業(yè)市場中呈現(xiàn)井噴式增長。無論是從事產(chǎn)品研發(fā)的工程師，還是從事產(chǎn)品推廣的市場人員、人力資源和財務會計人員，都需要掌握數(shù)據(jù)分析技術，否則很有可能被人工智能替代。《用商業(yè)案例學R語言數(shù)據(jù)挖掘》包括18章，涉及使用R語言做數(shù)據(jù)分析和數(shù)據(jù)挖掘的主要分析方法。其中，第1、2章為數(shù)據(jù)分析方法概述，第3章為R語言編程基礎，第4章到第8章為統(tǒng)計學習方法，第9章到第16章為數(shù)據(jù)挖掘方法，第17章為特征工程，第18章為R文本挖掘。每章都根據(jù)所涉及的知識點的不同，選取了實用的案例，并為讀者準備了相應的練習題。《用商業(yè)案例學R語言數(shù)據(jù)挖掘》作為CDA數(shù)據(jù)分析師系列叢書中《如虎添翼》和《胸有成竹》的姊妹篇，將前兩本書的內(nèi)容進行整合并做了重大拓展，而且秉承了該系列叢書的特點：內(nèi)容精煉、重點突出、示例豐富、語言通俗。可以作為廣大從業(yè)人員自學商業(yè)數(shù)據(jù)分析的讀物，適合大中專院校師生學習和閱讀，同時也可以作為高等院校商科、社會科學及相關培訓機構的教材。

作者簡介

暫缺《用商業(yè)案例學R語言數(shù)據(jù)挖掘》作者簡介

圖書目錄

第1 章商業(yè)數(shù)據(jù)分析基礎 1
1.1 商業(yè)數(shù)據(jù)分析的本質(zhì) 1
1.2 商業(yè)數(shù)據(jù)分析中心的建設 3
第2 章數(shù)據(jù)分析的武器庫 5
2.1 數(shù)據(jù)挖掘簡介 5
2.2 R 語言簡介 13
2.3 R 與RStudio 的下載和安裝 15
2.4 在RStudio 中安裝包 20
2.5 練習題 22
第3 章 R 語言編程 23
3.1 R 的基本數(shù)據(jù)類型 23
3.2 R 的基本數(shù)據(jù)結構 24
3.3 R 的程序控制 34
3.4 R 的函數(shù) 41
3.5 R 的日期與時間數(shù)據(jù)類型 42
3.6 在R 中讀寫數(shù)據(jù) 43
3.7 練習題 47
第4 章 R 描述性統(tǒng)計分析與繪圖 48
4.1 描述性統(tǒng)計分析 48
4.2 制圖的步驟 60
4.3 R 基礎繪圖包 63
4.4 ggplot2 繪圖 74
4.5 練習題 79
第5 章數(shù)據(jù)整合和數(shù)據(jù)清洗 80
5.1 數(shù)據(jù)整合 80
5.2 R 中的高級數(shù)據(jù)整合 96
5.3 R 中的抽樣 101
5.4 R 的數(shù)據(jù)清洗 103
5.5 練習題 110
第6 章統(tǒng)計推斷基礎 111
6.1 基本的統(tǒng)計學概念 111
6.2 假設檢驗與單樣本t 檢驗116
6.3 雙樣本t 檢驗 119
6.4 方差分析（分類變量和連續(xù)變量關系檢驗） 121
6.5 相關分析（兩連續(xù)變量關系檢驗） 127
6.6 卡方檢驗（二分類變量關系檢驗） 134
6.7 練習題 137
第7 章客戶價值預測：線性回歸模型與診斷 139
7.1 相關性分析 139
7.2 線性回歸 139
7.3 線性回歸診斷 150
7.4 正則化方法 159
7.5 練習題 169
第8 章 Logistic 回歸構建初始信用評級 170
8.1 Logistic 回歸的相關關系分析 170
8.2 Logistic 回歸模型及實現(xiàn) 171
8.3 最大熵模型與極大似然法估計 179
8.4 模型評估 187
8.5 練習題 193
第9 章使用決策樹進行信用評級 195
9.1 決策樹建模思路 195
9.2 決策樹算法 197
9.3 在R 中實現(xiàn)決策樹 209
9.4 組合算法（Ensemble Learning） 214
9.5 練習題 234
第10 章神經(jīng)網(wǎng)絡 235
10.1 神經(jīng)元模型 235
10.2 人工神經(jīng)網(wǎng)絡模型 237
10.3 單層感知器 239
10.4 BP 神經(jīng)網(wǎng)絡 242
10.5 RBF 神經(jīng)網(wǎng)絡 246
10.6 神經(jīng)網(wǎng)絡設計與R 代碼實現(xiàn) 253
10.7 練習題 261
第11 章分類器入門：最近鄰域與貝葉斯網(wǎng)絡 263
11.1 分類器的概念 263
11.2 KNN 算法 264
11.3 樸素貝葉斯 269
11.4 貝葉斯網(wǎng)絡 273
11.5 練習題 281
第12 章高級分類器：支持向量機 282
12.1 線性可分與線性不可分 282
12.2 線性可分支持向量機 283
12.3 線性支持向量機 291
12.4 非線性支持向量機 297
12.5 R 中的支持向量機 303
12.6 練習題 306
第13 章連續(xù)變量的維度歸約 307
13.1 維度歸約方法概述 307
13.2 主成分分析 308
13.3 因子分析 314
13.4 奇異值分解 320
13.5 對應分析和多維尺度分析 326
13.6 練習題 334
第14 章聚類 336
14.1 聚類分析概述 337
14.2 聚類算法邏輯 337
14.3 層次聚類 339
14.4 k-means 聚類 342
14.5 基于密度的聚類 346
14.6 聚類模型的評估 349
14.7 高斯混合模型（Gaussian Mixture Model） 352
14.8 客戶分群 364
14.9 練習題 379
第15 章關聯(lián)規(guī)則與推薦算法 380
15.1 長尾理論 380
15.2 關聯(lián)規(guī)則 383
15.3 序貫模型 390
15.4 推薦算法與推薦系統(tǒng) 395
15.5 練習題 406
第16 章時間序列建模 407
16.1 認識時間序列 407
16.2 簡單時間序列分析 409
16.3 平穩(wěn)時間序列分析ARMA 模型 419
16.4 非平穩(wěn)時間序列分析ARIMA 模型 434
第17 章特征工程（Feature Engineering）（博文視點官方網(wǎng)站下載） 446
17.1 特征工程概述 446
17.2 數(shù)據(jù)預處理（Data Preprocessing） 447
17.3 特征構造（Feature Construction） 460
17.4 特征抽?。‵eature Extraction） 461
17.5 特征選擇（Feature Selection） 466
第18 章 R 文本挖掘（博文視點官方網(wǎng)站下載） 471
18.1 文本挖掘 471
18.2 文本清洗 473
18.3 中文分詞與文檔模型 476
18.4 文本的特征選擇及相關性度量 481
18.5 文本分類 487
18.6 主題模型 489
18.7 綜合案例 495
附錄A 數(shù)據(jù)說明（博文視點官方網(wǎng)站下載） 500