未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

用商业案例学R语言数据挖掘

作者: 常国珍著 , 曾珂著 , 朱江著 , 经管之家编

出版社: 电子工业出版社

出版时间: 2017-09

版次: 1

ISBN: 9787121319587

定价: 69.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 444页

字数: 736千字

丛书: CDA数据分析师系列丛书

分类: 计算机与互联网

4 张插图图片

23人买过

    商业智能时代已经全面到来，分析型人才的岗位数量在就业市场中呈现井喷式增长。无论是从事产品研发的工程师，还是从事产品推广的市场人员、人力资源和财务会计人员，都需要掌握数据分析技术，否则很有可能被人工智能替代。
    本书包括 18 章，涉及使用 R 语言做数据分析和数据挖掘的主要分析方法。其中，第 1、 2 章为数据分析方法概述，第 3 章为 R 语言编程基础，第 4 章到第 8 章为统计学习方法，第 9 章到第 16 章为数据挖掘方法，第 17 章为特征工程，第 18 章为 R 文本挖掘。每章都根据所涉及的知识点的不同，选取了实用的案例，并为读者准备了相应的练习题。
本书作为 CDA 数据分析师系列丛书中《如虎添翼！数据处理的 SPSS 和 SAS EG 实现（第 2 版）》和《胸有成竹!数据分析的 SPSS 和 SAS EG 进阶（第 2 版）》的姊妹篇，将前两本书的内容进行整合并做了重大拓展，而且秉承了该系列丛书的特点：内容精练、重点突出、示例丰富、语言通俗。可以作为广大从业人员自学商业数据分析的读物，适合大中专院校师生学习和阅读，同时也可以作为高等院校商科、社会科学及相关培训机构的教材。

常国珍，北京大学会计学博士，中国大数据产业生态联盟专家委员会专家委员。主要从事金融、电信行业客户画像，信用与操作风险识别与防范，客户终生价值预测与价值提升等工作。
曾珂，华中师范大学管理科学工程硕士，现为车贷金融产品部产品经理，精通Python与R语言数据挖掘。曾经就职于华为、国家电网等企业。以金融信用与欺诈风险建模、文本分析、数据可视化等为主要研究方向。
朱江，挪威科技大学工学硕士，现为CDA数据分析研究院课程开发副总监，CDA数据挖掘竞赛的评委。精通R与SAS语言数据挖掘，从事电商与互联网数据分析的教学工作。研究方向为电商推荐系统开发、数据可视化、客户特征提取和客户行为模式发现。
第1 章商业数据分析基础
1.1 商业数据分析的本质
1.2 商业数据分析中心的建设
第2 章数据分析的武器库
2.1 数据挖掘简介
2.2 R 语言简介
2.3 R 与RStudio 的下载和安装
2.4 在RStudio 中安装包
2.5 练习题
第3 章 R 语言编程
3.1 R 的基本数据类型
3.2 R 的基本数据结构
3.3 R 的程序控制
3.4 R 的函数
3.5 R 的日期与时间数据类型
3.6 在R 中读写数据
3.7 练习题
第4 章 R 描述性统计分析与绘图
4.1 描述性统计分析
4.2 制图的步骤
4.3 R 基础绘图包
4.4 ggplot2 绘图
4.5 练习题
第5 章数据整合和数据清洗
5.1 数据整合
5.2 R 中的高级数据整合
5.3 R 中的抽样
5.4 R 的数据清洗
5.5 练习题
第6 章统计推断基础
6.1 基本的统计学概念
6.2 假设检验与单样本t 检验
6.3 双样本t 检验
6.4 方差分析（分类变量和连续变量关系检验）
6.5 相关分析（两连续变量关系检验）
6.6 卡方检验（二分类变量关系检验）
6.7 练习题
第7 章客户价值预测：线性回归模型与诊断
7.1 相关性分析
7.2 线性回归
7.3 线性回归诊断
7.4 正则化方法
7.5 练习题
第8 章 Logistic 回归构建初始信用评级
8.1 Logistic 回归的相关关系分析
8.2 Logistic 回归模型及实现
8.3 最大熵模型与极大似然法估计
8.4 模型评估
8.5 练习题
第9 章使用决策树进行信用评级
9.1 决策树建模思路
9.2 决策树算法
9.3 在R 中实现决策树
9.4 组合算法（Ensemble Learning）
9.5 练习题
第10 章神经网络
10.1 神经元模型
10.2 人工神经网络模型
10.3 单层感知器
10.4 BP 神经网络
10.5 RBF 神经网络
10.6 神经网络设计与R 代码实现
10.7 练习题
第11 章分类器入门：最近邻域与贝叶斯网络
11.1 分类器的概念
11.2 KNN 算法
11.3 朴素贝叶斯
11.4 贝叶斯网络
11.5 练习题
第12 章高级分类器：支持向量机
12.1 线性可分与线性不可分
12.2 线性可分支持向量机
12.3 线性支持向量机
12.4 非线性支持向量机
12.5 R 中的支持向量机
12.6 练习题
第13 章连续变量的维度归约
13.1 维度归约方法概述
13.2 主成分分析
13.3 因子分析
13.4 奇异值分解
13.5 对应分析和多维尺度分析
13.6 练习题
第14 章聚类
14.1 聚类分析概述
14.2 聚类算法逻辑
14.3 层次聚类
14.4 k-means 聚类
14.5 基于密度的聚类
14.6 聚类模型的评估
14.7 高斯混合模型（Gaussian Mixture Model）
14.8 客户分群
14.9 练习题
第15 章关联规则与推荐算法
15.1 长尾理论
15.2 关联规则
15.3 序贯模型
15.4 推荐算法与推荐系统
15.5 练习题
第16 章时间序列建模
16.1 认识时间序列
16.2 简单时间序列分析
16.3 平稳时间序列分析ARMA 模型
16.4 非平稳时间序列分析ARIMA 模型
第17 章特征工程（Feature Engineering）（博文视点官方网站下载）
17.1 特征工程概述
17.2 数据预处理（Data Preprocessing）
17.3 特征构造（Feature Construction）
17.4 特征抽取（Feature Extraction）
17.5 特征选择（Feature Selection）
第18 章 R 文本挖掘（博文视点官方网站下载）
18.1 文本挖掘
18.2 文本清洗
18.3 中文分词与文档模型
18.4 文本的特征选择及相关性度量
18.5 文本分类
18.6 主题模型
18.7 综合案例
附录A 数据说明（博文视点官方网站下载）
内容简介:
商业智能时代已经全面到来，分析型人才的岗位数量在就业市场中呈现井喷式增长。无论是从事产品研发的工程师，还是从事产品推广的市场人员、人力资源和财务会计人员，都需要掌握数据分析技术，否则很有可能被人工智能替代。
本书包括 18 章，涉及使用 R 语言做数据分析和数据挖掘的主要分析方法。其中，第 1、 2 章为数据分析方法概述，第 3 章为 R 语言编程基础，第 4 章到第 8 章为统计学习方法，第 9 章到第 16 章为数据挖掘方法，第 17 章为特征工程，第 18 章为 R 文本挖掘。每章都根据所涉及的知识点的不同，选取了实用的案例，并为读者准备了相应的练习题。
本书作为 CDA 数据分析师系列丛书中《如虎添翼！数据处理的 SPSS 和 SAS EG 实现（第 2 版）》和《胸有成竹!数据分析的 SPSS 和 SAS EG 进阶（第 2 版）》的姊妹篇，将前两本书的内容进行整合并做了重大拓展，而且秉承了该系列丛书的特点：内容精练、重点突出、示例丰富、语言通俗。可以作为广大从业人员自学商业数据分析的读物，适合大中专院校师生学习和阅读，同时也可以作为高等院校商科、社会科学及相关培训机构的教材。
作者简介:
常国珍，北京大学会计学博士，中国大数据产业生态联盟专家委员会专家委员。主要从事金融、电信行业客户画像，信用与操作风险识别与防范，客户终生价值预测与价值提升等工作。
曾珂，华中师范大学管理科学工程硕士，现为车贷金融产品部产品经理，精通Python与R语言数据挖掘。曾经就职于华为、国家电网等企业。以金融信用与欺诈风险建模、文本分析、数据可视化等为主要研究方向。
朱江，挪威科技大学工学硕士，现为CDA数据分析研究院课程开发副总监，CDA数据挖掘竞赛的评委。精通R与SAS语言数据挖掘，从事电商与互联网数据分析的教学工作。研究方向为电商推荐系统开发、数据可视化、客户特征提取和客户行为模式发现。
目录:
第1 章商业数据分析基础
1.1 商业数据分析的本质
1.2 商业数据分析中心的建设
第2 章数据分析的武器库
2.1 数据挖掘简介
2.2 R 语言简介
2.3 R 与RStudio 的下载和安装
2.4 在RStudio 中安装包
2.5 练习题
第3 章 R 语言编程
3.1 R 的基本数据类型
3.2 R 的基本数据结构
3.3 R 的程序控制
3.4 R 的函数
3.5 R 的日期与时间数据类型
3.6 在R 中读写数据
3.7 练习题
第4 章 R 描述性统计分析与绘图
4.1 描述性统计分析
4.2 制图的步骤
4.3 R 基础绘图包
4.4 ggplot2 绘图
4.5 练习题
第5 章数据整合和数据清洗
5.1 数据整合
5.2 R 中的高级数据整合
5.3 R 中的抽样
5.4 R 的数据清洗
5.5 练习题
第6 章统计推断基础
6.1 基本的统计学概念
6.2 假设检验与单样本t 检验
6.3 双样本t 检验
6.4 方差分析（分类变量和连续变量关系检验）
6.5 相关分析（两连续变量关系检验）
6.6 卡方检验（二分类变量关系检验）
6.7 练习题
第7 章客户价值预测：线性回归模型与诊断
7.1 相关性分析
7.2 线性回归
7.3 线性回归诊断
7.4 正则化方法
7.5 练习题
第8 章 Logistic 回归构建初始信用评级
8.1 Logistic 回归的相关关系分析
8.2 Logistic 回归模型及实现
8.3 最大熵模型与极大似然法估计
8.4 模型评估
8.5 练习题
第9 章使用决策树进行信用评级
9.1 决策树建模思路
9.2 决策树算法
9.3 在R 中实现决策树
9.4 组合算法（Ensemble Learning）
9.5 练习题
第10 章神经网络
10.1 神经元模型
10.2 人工神经网络模型
10.3 单层感知器
10.4 BP 神经网络
10.5 RBF 神经网络
10.6 神经网络设计与R 代码实现
10.7 练习题
第11 章分类器入门：最近邻域与贝叶斯网络
11.1 分类器的概念
11.2 KNN 算法
11.3 朴素贝叶斯
11.4 贝叶斯网络
11.5 练习题
第12 章高级分类器：支持向量机
12.1 线性可分与线性不可分
12.2 线性可分支持向量机
12.3 线性支持向量机
12.4 非线性支持向量机
12.5 R 中的支持向量机
12.6 练习题
第13 章连续变量的维度归约
13.1 维度归约方法概述
13.2 主成分分析
13.3 因子分析
13.4 奇异值分解
13.5 对应分析和多维尺度分析
13.6 练习题
第14 章聚类
14.1 聚类分析概述
14.2 聚类算法逻辑
14.3 层次聚类
14.4 k-means 聚类
14.5 基于密度的聚类
14.6 聚类模型的评估
14.7 高斯混合模型（Gaussian Mixture Model）
14.8 客户分群
14.9 练习题
第15 章关联规则与推荐算法
15.1 长尾理论
15.2 关联规则
15.3 序贯模型
15.4 推荐算法与推荐系统
15.5 练习题
第16 章时间序列建模
16.1 认识时间序列
16.2 简单时间序列分析
16.3 平稳时间序列分析ARMA 模型
16.4 非平稳时间序列分析ARIMA 模型
第17 章特征工程（Feature Engineering）（博文视点官方网站下载）
17.1 特征工程概述
17.2 数据预处理（Data Preprocessing）
17.3 特征构造（Feature Construction）
17.4 特征抽取（Feature Extraction）
17.5 特征选择（Feature Selection）
第18 章 R 文本挖掘（博文视点官方网站下载）
18.1 文本挖掘
18.2 文本清洗
18.3 中文分词与文档模型
18.4 文本的特征选择及相关性度量
18.5 文本分类
18.6 主题模型
18.7 综合案例
附录A 数据说明（博文视点官方网站下载）

查看详情

用商业案例学R语言数据挖掘

内容简介:

作者简介:

目录: