用商业案例学R语言数据挖掘

图书标准信息

• 作者 常国珍、曾珂、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元
• 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

【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）