数据科学PDF电子书下载

第1章 导论 1

1.1 数据科学的发展历史 1

1.2 数据科学研究的主要问题 3

1.3 数据科学的主要方法 5

1.4 R语言的优势 7

第2章 数据读/写 9

2.1 数据的读入 9

2.1.1 直接输入数据 9

2.1.2 读入R包中的数据 10

2.1.3 从外部文件读入数据 10

2.1.4 批量读入数据 15

2.1.5 R语言读取文件的几个常错的问题 15

2.2 写出数据 17

2.3 习题 18

第3章 数据清洗与预处理 19

3.1 数据分类 19

3.2 数据清洗 20

3.2.1 处理缺失数据 20

3.2.2 处理噪声数据 23

3.3 数据变换 23

3.4 R语言实现 25

3.4.1 数据集的基本操作 25

3.4.2 数据集间的操作 28

3.4.3 连接数据库数据 29

3.5 习题 30

第4章 数据可视化 31

4.1 高阶绘图工具——ggplot2 31

4.1.1 快速绘图 32

4.1.2 使用图层构建图像 34

4.1.3 分面 37

4.2 ECharts2 39

4.2.1 安装 39

4.2.2 使用 40

4.3 习题 48

第5章 线性回归 49

5.1 问题的提出 49

5.2 一元线性回归 50

5.2.1 一元线性回归概述 50

5.2.2 一元线性回归的参数估计 52

5.2.3 一元线性回归模型的检验 55

5.2.4 一元线性回归的预测 56

5.3 多元线性回归分析 57

5.3.1 多元线性回归模型及假定 58

5.3.2 参数估计 59

5.3.3 模型检验 60

5.3.4 预测 61

5.4 R语言实现 63

5.4.1 一元线性回归 63

5.4.2 多元线性回归 66

5.5 习题 67

第6章 线性分类 69

6.1 问题的提出 69

6.2 Logistic模型 70

6.2.1 线性概率模型 70

6.2.2 Probit模型 71

6.2.3 Logit模型原理 72

6.2.4 边际效应分析 73

6.2.5 最大似然估计（MLE） 73

6.2.6 似然比检验 74

6.3 判别分析 74

6.3.1 Naive Bayes判别分析 75

6.3.2 线性判别分析 76

6.3.3 二次判别分析 78

6.4 分类问题评价准则 78

6.5 R语言实现 80

6.5.1 描述统计 80

6.5.2 Logistic模型 81

6.5.3 判别分析 87

6.5.4 模型比较 90

6.6 习题 92

第7章 重抽样 94

7.1 问题的提出 94

7.2 基本概念 94

7.2.1 训练误差和测试误差 95

7.2.2 偏差和方差 95

7.3 交叉验证法 96

7.3.1 验证集方法 97

7.3.2 留一交叉验证法 97

7.3.3 K折交叉验证法 98

7.4 自助法 99

7.5 R语言实现 100

7.5.1 验证集方法 100

7.5.2 留一交叉验证法 102

7.5.3 K折交叉验证法 102

7.5.4 自助法 103

7.6 习题 104

第8章 模型选择与正则化 105

8.1 问题的提出 105

8.2 子集选择法 106

8.2.1 最优子集法 106

8.2.2 逐步选择法 106

8.2.3 模型选择 108

8.3 基于压缩估计的逐个变量选择 109

8.3.1 LASSO惩罚 110

8.3.2 SCAD惩罚 111

8.3.3 MCP惩罚 112

8.3.4 调整参数选择 113

8.4 基于压缩估计的组变量选择 113

8.4.1 自然分组结构 113

8.4.2 人为分组结构 114

8.5 基于压缩估计的双层变量选择 115

8.5.1 复合函数型双层选择 115

8.5.2 稀疏组惩罚型双层选择 116

8.6 R语言实现 117

8.6.1 子集选择法 117

8.6.2 模型选择 120

8.6.3 组模型选择 122

8.6.4 双层模型选择 126

8.7 习题 128

第9章 决策树与组合学习 129

9.1 问题的提出 129

9.2 决策树 130

9.2.1 基本概念 130

9.2.2 分类树 133

9.2.3 回归树 135

9.2.4 树的优缺点 137

9.3 Bagging 137

9.3.1 基本算法 137

9.3.2 袋外误差估计 138

9.3.3 变量重要性的度量 139

9.4 随机森林 140

9.5 提升法 142

9.5.1 Adaboost算法 142

9.5.2 GBDT算法 143

9.5.3 XGBoost算法 143

9.6 R语言实现 144

9.6.1 数据介绍 144

9.6.2 描述性统计 145

9.6.3 分类树 145

9.6.4 Bagging 148

9.6.5 随机森林 149

9.6.6 Boosting 150

9.7 习题 155

第10章 支持向量机 156

10.1 问题的提出 156

10.2 最大间隔分类器 157

10.2.1 使用分割超平面分类 157

10.2.2 构建最大间隔分类器 159

10.2.3 线性不可分的情况 160

10.3 支持向量分类器 161

10.3.1 使用软间隔分类 161

10.3.2 构建支持向量分类器 161

10.4 支持向量机 163

10.4.1 使用非线性决策边界分类 163

10.4.2 构建支持向量机 165

10.5 与Logistic回归的关系 166

10.6 支持向量回归 167

10.7 R语言实现 168

10.7.1 支持向量分类器 168

10.7.2 支持向量机 173

10.7.3 Auto数据集 175

10.8 习题 178

第11章 神经网络 180

11.1 问题的提出 181

11.2 神经网络的基本概念 181

11.2.1 神经网络的基本单元——神经元 181

11.2.2 神经网络的结构 185

11.2.3 神经网络的学习 186

11.3 神经网络模型 188

11.3.1 单神经元感知器 188

11.3.2 单层感知器 189

11.3.3 BP神经网络 190

11.3.4 Rprop神经网络 193

11.4 R语言实现 195

11.4.1 nnet程序包 195

11.4.2 neuralnet程序包 197

11.4.3 应用案例1：利用nnet程序包分析纸币鉴别数据 198

11.4.4 应用案例2：利用neuralnet程序包分析白葡萄酒的品质 200

11.5 习题 203

第12章 无监督学习 205

12.1 问题的提出 205

12.2 聚类分析 207

12.2.1 相异度 207

12.2.2 K-means聚类 209

12.2.3 系统聚类法 211

12.3 主成分分析 214

12.3.1 主成分分析的几何意义 214

12.3.2 主成分的数学推导 215

12.3.3 主成分回归 217

12.3.4 主成分分析的其他方面 217

12.4 因子分析 219

12.4.1 因子分析的数学模型 219

12.4.2 因子载荷阵的统计意义 220

12.4.3 因子分析的其他方面 221

12.5 典型相关分析 223

12.5.1 典型相关分析原理 223

12.5.2 典型相关系数的显著性检验 226

12.5.3 典型相关分析的步骤 227

12.6 R语言实现 228

12.6.1 聚类分析：移动通信用户细分 228

12.6.2 主成分分析：农村居民消费水平评价 233

12.6.3 因子分析：市场调查 236

12.6.4 典型相关分析：职业满意度与职业特性的关系 239

12.7 习题 242

第13章 推荐算法 243

13.1 关联规则 243

13.1.1 基本概念 244

13.1.2 基本分类 246

13.1.3 基本方法 247

13.2 协同过滤算法 249

13.2.1 基于邻居的协同过滤算法 249

13.2.2 基于模型的协同过滤算法 253

13.3 R语言实现 254

13.3.1 关联规则 254

13.3.2 协同过滤算法 259

13.4 习题 262

第14章 文本挖掘 264

14.1 问题的提出 264

14.2 文本挖掘基本流程 265

14.2.1 文本数据获取 265

14.2.2 文本特征表示 265

14.2.3 文本的特征选择 268

14.2.4 信息挖掘与主题模型 269

14.3 R语言实现 270

14.3.1 JSS＿papers数据集 270

14.3.2 拓展案例：房地产网络舆情分析 275

14.4 习题 278

第15章 社交网络分析 279

15.1 问题的提出 279

15.2 网络的基本概念 280

15.3 网络特征的描述性分析 281

15.3.1 节点度 281

15.3.2 节点中心性 282

15.3.3 网络的凝聚性特征 283

15.3.4 分割 284

15.4 网络图的统计模型 285

15.4.1 经典随机图模型 285

15.4.2 广义随机图模型 286

15.4.3 指数随机图模型 287

15.4.4 网络块模型 287

15.5 关联网络推断 288

15.5.1 相关网络 288

15.5.2 偏相关网络 289

15.5.3 高斯图模型网络 290

15.5.4 Graphic Lasso模型 291

15.6 二值型网络模型 294

15.7 R语言实现 295

15.7.1 网络的基本操作 295

15.7.2 “豆瓣关注网络”和“豆瓣朋友网络”特征分析 298

15.7.3 关联网络推断 303

15.8 习题 308

第16章 并行计算 309

16.1 提高R语言的计算速度 309

16.2 R语言的并行计算 310

16.3 HPC多线程并行计算 316

参考文献 321