R語言數(shù)據(jù)分析項目開發(fā)實戰(zhàn)

第1章 關聯(lián)規(guī)則挖掘
1．1 理解推薦系統(tǒng)
1．1．1 事務
1．1．2 加權事務
1．1．3 Web應用程序
1．2 零售商用例和數(shù)據(jù)
1．3 關聯(lián)規(guī)則挖掘
1．4 關聯(lián)銷售營銷活動
1．4．1 杠桿效應
1．4．2 確信度
1．5 加權關聯(lián)規(guī)則挖掘
1．6 基于超鏈接的主題搜索（HITS）
1．7 負關聯(lián)規(guī)則
1．8 規(guī)則的可視化
1．9 封裝
1．10 本章小結(jié)
第2章 基于內(nèi)容的模糊邏輯推薦系統(tǒng)
2．1 基于內(nèi)容的推薦系統(tǒng)
2．2 新聞聚合器用例和數(shù)據(jù)
2．3 設計基于內(nèi)容的推薦引擎
2．3．1 構(gòu)建相似度索引
2．3．2 搜索機制
2．4 完整的R代碼
2．5 本章小結(jié)
第3章 協(xié)同過濾機制
3．1 協(xié)同過濾
3．1．1 基于內(nèi)存的方案
3．1．2 基于模型的方案
3．1．3 隱因子模型方案
3．2 recommenderlab數(shù)據(jù)包
3．3 用例和數(shù)據(jù)
3．4 設計并實現(xiàn)協(xié)同過濾機制
3．4．1 評級矩陣
3．4．2 標準化
3．4．3 隨機劃分訓練集和測試集
3．4．4 訓練模型
3．5 完整的R代碼
3．6 本章小結(jié)
第4章 基于深度神經(jīng)網(wǎng)絡的時序數(shù)據(jù)
4．1 時序數(shù)據(jù)
4．1．1 非季節(jié)性時序
4．1．2 季節(jié)性時序
4．1．3 回歸問題
4．2 深度神經(jīng)網(wǎng)絡
4．2．1 前向循環(huán)
4．2．2 反向循環(huán)
4．3 MXNet數(shù)據(jù)包
4．4 MXNet中的符號編程
4．4．1 softmax激活函數(shù)
4．4．2 用例和數(shù)據(jù)
4．4．3 基于時序預測的深度網(wǎng)絡
4．5 訓練一測試集劃分
4．6 完整的R代碼
4．7 本章小結(jié)
……
第5章 Twitter文本情感分類
第6章 記錄鏈接——隨機和機器學習方案
第7章 流式數(shù)據(jù)聚類分析
第8章 分析并理解網(wǎng)絡