大數(shù)據(jù)分析與應用實戰(zhàn)

第1章  數(shù)據(jù)驅動程序設計 1 1.1  套件管理 1 1.1.1  基本套件 5 1.1.2  建議套件 6 1.1.3  貢獻套件 9 1.2  環(huán)境與輔助說明 11 1.3  R語言數(shù)據(jù)對象 17 1.3.1  向量 18 1.3.2  矩陣 22 1.3.3  數(shù)組 25 1.3.4  列表 28 1.3.5  數(shù)據(jù)集 31 1.3.6  因子 38 1.3.7  R語言原生數(shù)據(jù)對象取值  42 1.3.8  R語言衍生數(shù)據(jù)對象 49 1.4  Python語言數(shù)據(jù)對象 54 1.4.1  Python語言原生數(shù)據(jù)對象處理  54 1.4.2  Python語言衍生數(shù)據(jù)對象取值  62 1.4.3  Python語言類別變量編碼  68 1.5  向量化與隱式循環(huán) 71 1.6  編程范式與面向對象概念 77 1.6.1  R語言S3類別 80 1.6.2  Python語言面向對象 84 1.7  控制流程與自定義函數(shù) 89 1.7.1  控制流程 89 1.7.2  自定義函數(shù) 92 1.8  數(shù)據(jù)導入與導出 99 1.8.1  R語言數(shù)據(jù)導入及導出  99 1.8.2  Python語言數(shù)據(jù)導入及導出  101 1.9  程序調(diào)試與效率監(jiān)測 105 第2章  數(shù)據(jù)前處理 112 2.1  數(shù)據(jù)管理 112 2.1.1  R語言數(shù)據(jù)組織與排序  113 2.1.2  Python語言數(shù)據(jù)排序  119 2.1.3  R語言數(shù)據(jù)變形 123 2.1.4  Python語言數(shù)據(jù)變形  127 2.1.5  R語言數(shù)據(jù)清理 128 2.1.6  Python語言數(shù)據(jù)清理  151 2.2  數(shù)據(jù)摘要與匯總 154 2.2.1  摘要統(tǒng)計量 155 2.2.2  R語言群組與摘要 163 2.2.3  Python語言群組與摘要  172 2.3  特征工程 183 2.3.1  特征轉換與移除 183 2.3.2  特征提取的主成分分析  198 2.3.3  特征選擇 211 2.3.4  結語 216 2.4  大數(shù)據(jù)處理概念 217 2.4.1  文本數(shù)據(jù)處理 218 2.4.2  Hadoop分布式文件系統(tǒng)  232 2.4.3  Spark集群計算框架 233 第3章  統(tǒng)計機器學習基礎 237 3.1  隨機誤差模型 238 3.1.1  統(tǒng)計機器學習類型 243 3.1.2  過度擬合 244 3.2  模型性能評量 247 3.2.1  回歸模型性能指標 247 3.2.2  分類模型性能指標 250 3.2.3  模型性能可視化 259 3.3  模型選擇與評定 263 3.3.1  重抽樣與數(shù)據(jù)分割方法  263 3.3.2  單類模型參數(shù)調(diào)校 273 3.3.3  比較不同類的模型 287 3.4  相似性與距離 290 3.5  相關與獨立 293 3.5.1  數(shù)值變量與順序尺度類別變量  293 3.5.2  名目尺度類別變量 298 3.5.3  類別變量可視化關聯(lián)檢驗  307 第4章  無監(jiān)督式學習 315 4.1  數(shù)據(jù)可視化 316 4.2  關聯(lián)形態(tài)挖掘 324 4.2.1  關聯(lián)形態(tài)評估準則 324 4.2.2  在線音樂城關聯(lián)規(guī)則分析  325 4.2.3  結語 333 4.3  聚類分析 334 4.3.1  k均值聚類法 335 4.3.2  階#層式聚類 346 4.3.3  密度聚類 351 4.3.4  聚類結果評估 355 4.3.5  結語 356 第5章  監(jiān)督式學習 357 5.1  線性回歸與分類 358 5.1.1  多元線性回歸 358 5.1.2  偏#小二乘法回歸 379 5.1.3  嶺回歸、套索回歸與彈性網(wǎng)罩懲罰模型 385 5.1.4  線性判別分析 392 5.1.5  邏輯回歸分類與廣義線性模型  398 5.2  非線性分類與回歸 401 5.2.1  樸素貝葉斯分類 401 5.2.2  k近鄰法分類 413 5.2.3  支持向量機分類 422 5.2.4  分類與回歸樹 445 第6章  其他學習方式 479 6.1  集成學習 479 6.1.1  拔靴集成法 480 6.1.2  多模激發(fā)法 480 6.1.3  隨機森林 489 6.1.4  結語 490 6.2  深度學習 490 6.2.1  人工神經(jīng)網(wǎng)絡簡介 491 6.2.2  多層感知機 493 6.2.3  卷積神經(jīng)網(wǎng)絡 502 6.2.4  遞歸神經(jīng)網(wǎng)絡 507 6.2.5  自動編碼器 510 6.2.6  受限玻爾茲曼機 511 6.2.7  深度信念網(wǎng)絡 513 6.2.8  深度學習參數(shù)調(diào)校 513 6.3  強化學習 516 參考文獻 521 索引 523