更新时间：2020-11-23 14:44:26
封面
版权页
内容简介
作者简介
前言
第一篇 基础篇
第1章 大数据概述
1.1 大数据与相关学科的定义
1.2 系统与模型概念
1.3 大数据分析模型的分类
1.4 大数据的江湖传奇
1.5 R语言“词云图”代码
1.6 本章思维导图
第2章 大数据与R语言
2.1 大数据进位
2.2 R语言介绍
2.3 R数据对象的属性与结构
2.4 R的函数包
2.5 R的数据绘图
2.6 本章思维导图
第二篇 非监督式学习
第3章 关联分析
3.1 关联分析介绍
3.2 关联规则数据格式
3.3 关联规则的算法
3.4 关联规则的优点和缺点
3.5 关联规则的实例计算
3.6 R语言实战
3.7 本章思维导图
第4章 聚类分析
4.1 聚类分析介绍
4.2 距离与相似度衡量
4.3 层次聚类分析
4.4 非层次聚类分析
4.5 聚类分析的评价
4.6 R语言实战
4.7 本章思维导图
第5章 降维分析
5.1 降维分析介绍
5.2 主成分分析
5.3 R语言程序
5.4 R语言实战
5.5 本章思维导图
第三篇 监督式学习
第6章 模型选择与评价
6.1 模型选择与评价步骤
6.2 大数据的抽样方法
6.3 交叉验证
6.4 模型选择
6.5 模型评价
6.6 R语言实战
6.7 本章思维导图
第7章 回归分析
7.1 多元线性回归
7.2 变量（特征）选择
7.3 Logistic逻辑回归
7.4 R语言实战
7.5 本章思维导图
第8章 近邻法
8.1 学习器
8.2 近邻法介绍
8.3 近邻法的优点和缺点
8.4 R语言实战
8.5 本章思维导图
第9章 贝叶斯分类
9.1 贝叶斯公式
9.2 贝叶斯分类
9.3 贝叶斯分类的实例计算
9.4 R语言实战
9.5 本章思维导图
第10章 决策树
10.1 决策树概述
10.2 决策树的信息计算
10.3 决策树的实例计算
10.4 决策树的剪枝
10.5 决策树的优点和缺点
10.6 R语言实战
10.7 本章思维导图
第11章 支持向量机
11.1 支持向量机概述
11.2 最大间隔分类（硬间隔）
11.3 支持向量分类（软间隔）
11.4 支持向量机（核函数）
11.5 支持向量机的优点和缺点
11.6 支持向量机R语言应用
11.7 R语言实战
11.8 本章思维导图
第12章 集成学习
12.1 集成学习介绍
12.2 个别分类方法评价
12.3 Bagging学习
12.4 随机森林
12.5 Boosting学习
12.6 Stacking学习
12.7 R语言实战
12.8 本章思维导图
第13章 推荐系统
13.1 推荐系统概述
13.2 过滤推荐
13.3 R语言应用
