《大話數據科學——大數據與機器學習實戰（基於R語言）》是2020年清華大學出版社出版的圖書，作者是陳文賢。
基本介紹
- 書名：大話數據科學——大數據與機器學習實戰（基於R語言）
- 作者：陳文賢
- 出版社：清華大學出版社
- ISBN：9787302551300
內容簡介,作者簡介,目錄,
內容簡介
本書以獨特的方式講解數據科學，不僅讓讀者可以輕鬆學習數據科學理論，又可以動手（手算和機算）進行數據科學實戰。本書特色：全彩印刷，圖形、表格、思維導圖豐富；避免深奧的數學證明，採用簡單的數學說明；用各種學習圖將本書內容貫穿起來；實戰計算，包含小型數據的演算和大型數據的實戰程式。
本書共13章，內容涵蓋豐富的數據科學模型，包含關聯分析、聚類分析、貝葉斯分類、近鄰法、決策樹、降維分析、回歸模型等算法。利用小數據例題介紹計算步驟，同時用R語言驗證計算結果。另外，也有大數據的案例數據，例如：推薦系統、支持向量機、集成學習等。另外，本書只有大數據的案例數據用R語言計算。
本書適合各個專業領域（包含金融、電商、保險、網際網路等行業）想掌握數據科學的讀者，也可以作為高校、社會培訓機構教材。由於內容比較多，教師可自行選擇教學內容。
作者簡介
陳文賢，美國加州大學伯克利分校工業工程博士，歷任：台大信息管理系教授兼系主任、美國雪城Syracuse大學客座教授、澳大利亞悉尼科技大學UTS客座教授、台北德明財經科技大學信息管理系特聘教授。
目錄
第一篇 基礎篇
第1章 大數據概述 3
1.1 大數據與相關學科的定義 4
1.1.1 大數據的定義 4
1.1.2 數據挖掘 6
1.1.3 數據挖掘標準過程 7
1.1.4 機器學習 9
1.1.5 知識管理 12
1.1.6 數據科學 14
1.1.7 商業智慧型 15
1.1.8 人工智慧 17
1.1.9 統計學與大數據比較 19
1.1.10 數據名詞的定義 21
1.2 系統與模型概念 22
1.2.1 系統定義與成分 22
1.2.2 輸入，處理，輸出與黑箱 23
1.2.3 環境 24
1.2.4 反饋 25
1.2.5 效率與效果 25
1.2.6 模型與建模 26
1.2.7 模型的假定與參數 27
1.2.8 敏感，穩健或魯棒 28
1.2.9 模型的過擬合 28
1.3 大數據分析模型的分類 30
1.3.1 後設模型 30
1.3.2 關係與因果 31
1.3.3 基於因果關係的統計學分類 32
1.3.4 基於因果關係的大數據分類 32
1.3.5 基於數據類型的分類 34
1.3.6 基於測量的分類 35
1.3.7 數據科學模型的其他分類 36
1.4 大數據的江湖傳奇 36
1.5 R語言“詞雲圖”代碼 40
1.6 本章思維導圖 42
第2 章 大數據與R 語言 43
2.1 大數據進位 44
2.2 R語言介紹 45
2.2.1 安裝 R 語言軟體 45
2.2.2 下載R語言程式包 45
2.3 R數據對象的屬性與結構 46
2.3.1 數值 47
2.3.2 整數 47
2.3.3 字元串 47
2.3.4 邏輯 47
2.3.5 向量 48
2.3.6 因子 49
2.3.7 矩陣 50
2.3.8 數據框 52
2.3.9 數組 52
2.3.10 列表 53
2.3.11 時間序列 54
2.3.12 訪問數據類型和結構 54
2.3.13 遺失值 55
2.3.14 讀入Excel CSV數據 55
2.3.15 編輯數據 55
2.3.16 保存Excel CSV數據 55
2.3.17 數據輸入視窗 56
2.3.18 R 的數據結構和函式表 56
2.4 R的函式包 56
2.5 R的數據繪圖 59
2.6 本章思維導圖 64
第二篇 非監督式學習
第3 章 關聯分析 67
3.1 關聯分析介紹 68
3.1.1 事務與項目的定義 68
3.1.2 項集的關聯規則 69
3.2 關聯規則數據格式 71
3.3 關聯規則的算法 72
3.3.1 Apriori算法 73
3.3.2 關聯規則其他測度值 74
3.3.3 負關聯規則 75
3.4 關聯規則的優點和缺點 76
3.4.1 Apriori算法的優點 76
3.4.2 Apriori算法的缺點 76
3.4.3 關聯規則的評估 76
3.5 關聯規則的實例計算 77
3.5.1 尿布與啤酒 77
3.5.2 豆漿、燒餅與飯糰 79
3.5.3 評估與套用 82
3.6 R語言實戰 82
3.6.1 鐵達尼號 82
3.6.2 商店數據 86
3.6.3 食品雜貨數據 90
3.6.4 人口收入數據 92
3.6.5 鳶尾花數據 93
3.7 本章思維導圖 96
第4 章 聚類分析 97
4.1 聚類分析介紹 98
4.2 距離與相似度衡量 99
4.2.1 數值數據距離 99
4.2.2 標準化與歸一化 100
4.2.3 0-1數據距離和相似度 100
4.2.4 混合數據的距離 102
4.2.5 顧客數據的距離 102
4.2.6 距離和相似度的轉換 104
4.2.7 計算距離的R函式 104
4.3 層次聚類分析 106
4.3.1 兩類連線 106
4.3.2 顧客數據的聚類 107
4.3.3 層次聚類的優點和缺點 110
4.4 非層次聚類分析 110
4.4.1 K-mean聚類 110
4.4.2 PAM 聚類 112
4.4.3 K-mean聚類的優點和缺點 113
4.5 聚類分析的評價 113
4.6 R語言實戰 115
4.6.1 歐洲語言的聚類 115
4.6.2 美國電力公司數據 118
4.6.3 歐州人蛋白質數據 120
4.6.4 紅酒數據 124
4.6.5 汽車數據 126
4.7 本章思維導圖 128
第5 章 降維分析 129
5.1 降維分析介紹 130
5.2 主成分分析 131
5.2.1 主成分分析的計算理論 132
5.2.2 主成分分析的計算步驟 134
5.2.3 主成分分析的優點和缺點 134
5.3 R語言程式 135
5.4 R語言實戰 138
5.4.1 鳶尾花數據 138
5.4.2 美國罪犯數據 138
5.4.3 美國法官數據 145
5.4.4 國家冰球聯盟資料 146
5.4.5 美國職業棒球數據 149
5.4.6 早餐麥片數據 151
5.4.7 紅酒數據 151
5.4.8 心理學數據 152
5.5 本章思維導圖 154
第三篇 監督式學習
第6 章 模型選擇與評價 157
6.1 模型選擇與評價步驟 158
6.2 大數據的抽樣方法 159
6.2.1 保留方法抽樣 160
6.2.2 自助抽樣法 162
6.2.3 632自助法 163
6.2.4 過採樣 164
6.3 交叉驗證 165
6.3.1 k-折交叉驗證 165
6.3.2 留一交叉驗證 166
6.4 模型選擇 167
6.4.1 參數和非參數學習 168
6.4.2 偏差和方差 169
6.4.3 模型的複雜度 170
6.4.4 正則化 171
6.4.5 認真學習和懶惰學習 171
6.5 模型評價 172
6.5.1 二元0-1分類器的評價——混淆矩陣 172
6.5.2 混淆矩陣的舉例說明 174
6.5.3 二元分類器的成本計算 176
6.5.4 二元分類器例題數據R語言 176
6.5.5 多標籤分類器的評價 179
6.5.6 多標籤分類器評價R 語言 181
6.5.7 交叉驗證分類的評價 183
6.5.8 分類學習的ROC曲線 183
6.5.9 連續型目標變數回歸模型的評價 187
6.6 R語言實戰 189
6.6.1 R語言自動調模與調參 189
6.6.2 汽車數據 190
6.6.3 乳腺癌診斷數據 190
6.7 本章思維導圖 192
第7 章 回歸分析 193
7.1 多元線性回歸 194
7.1.1 多元線性回歸模型 194
7.1.2 參數估計 195
7.1.3 適合性檢驗 196
7.1.4 實例計算 197
7.1.5 R語言的實例計算 199
7.2 變數（特徵）選擇 200
7.2.1 偏相關係數 200
7.2.2 逐步回歸 203
7.2.3 部分子集回歸 204
7.2.4 壓縮方法 205
7.3 Logistic邏輯回歸 207
7.4 R語言實戰 209
7.4.1 股票數據 209
7.4.2 乳腺癌病理數據 210
7.4.3 醫療保險數據 213
7.4.4 棒球數據 215
7.4.5 波士頓房價數據 218
7.4.6 皮瑪數據 221
7.5 本章思維導圖 224
第8 章 近鄰法 225
8.1 學習器 226
8.1.1 認真學習器和懶惰學習器 226
8.1.2 基於實例學習器 227
8.1.3 參數學習器和非參數學習器 228
8.2 近鄰法介紹 229
8.2.1 k-近鄰法算法步驟 229
8.2.2 k-近鄰法分類器 230
8.2.3 k-近鄰法回歸 231
8.2.4 自變數是分類變數 232
8.3 近鄰法的優點和缺點 232
8.4 R語言實戰 233
8.4.1 食材數據 233
8.4.2 鳶尾花數據 234
8.4.3 乳癌檢查數據 236
8.4.4 美國總統候選人數據 238
8.4.5 玻璃數據 240
8.4.6 波士頓房價數據 241
8.4.7 皮瑪數據 242
8.5 本章思維導圖 244
第9 章 貝葉斯分類 245
9.1 貝葉斯公式 246
9.2 貝葉斯分類 247
9.2.1 樸素貝葉斯分類 247
9.2.2 特徵值是連續變數 248
9.2.3 樸素貝葉斯分類的優點和缺點 249
9.3 貝葉斯分類的實例計算 249
9.3.1 天氣和打網球 249
9.3.2 驗前機率與似然機率 251
9.3.3 拉普拉斯校準 251
9.3.4 R 語言實例計算 252
9.4 R語言實戰 255
9.4.1 鐵達尼號數據 255
9.4.2 鳶尾花數據 256
9.4.3 垃圾郵件數據 258
9.4.4 皮瑪數據 261
9.5 本章思維導圖 262
第10 章 決策樹 263
10.1 決策樹概述 264
10.1.1 圖形表示 264
10.1.2 邏輯表示 265
10.1.3 規則表示 265
10.1.4 數學公式表示 265
10.2 決策樹的信息計算 266
10.2.1 信息計算 266
10.2.2 熵與信息 267
10.2.3 信息增益 267
10.2.4 信息增益比 268
10.2.5 基尼係數與基尼增益 268
10.2.6 卡方統計量 269
10.2.7 分枝法則的選擇 269
10.2.8 回歸樹 269
10.3 決策樹的實例計算 270
10.4 決策樹的剪枝 277
10.4.1 貪婪算法 277
10.4.2 決策樹剪枝 278
10.5 決策樹的優點和缺點 279
10.6 R語言實戰 280
10.6.1 決策樹R語言包 280
10.6.2 打網球數據 280
10.6.3 鐵達尼號數據 283
10.6.4 鳶尾花數據 284
10.6.5 皮瑪數據 289
10.6.6 汽車座椅銷售數據 292
10.6.7 波士頓房價數據 295
10.6.8 貓數據 297
10.6.9 駝背數據 300
10.6.10 美國總統選舉投票數據 301
10.6.11 員工離職數據 302
10.7 本章思維導圖 306
第11 章 支持向量機 307
11.1 支持向量機概述 308
11.2 最大間隔分類（硬間隔） 310
11.3 支持向量分類（軟間隔） 311
11.4 支持向量機（核函式） 313
11.4.1 支持向量機的核函式 313
11.4.2 多元分類支持向量機 315
11.5 支持向量機的優點和缺點 315
11.6 支持向量機R語言套用 316
11.6.1 隨機常態分配數據線性核函式 317
11.6.2 隨機常態分配數據徑向基核函式 318
11.6.3 三分類數據徑向基核函式 321
11.7 R語言實戰 322
11.7.1 基因表達數據 322
11.7.2 鳶尾花數據 322
11.7.3 貓數據 323
11.7.4 皮瑪數據 325
11.7.5 字元數據 328
11.7.6 玻璃數據 329
11.8 本章思維導圖 332
第12 章 集成學習 333
12.1 集成學習介紹 334
12.2 個別分類方法評價 335
12.3 Bagging學習 337
12.4 隨機森林 338
12.4.1 隨機森林介紹 338
12.4.2 隨機森林算法步驟 339
12.4.3 R 語言 339
12.4.4 隨機森林的優點和缺點 340
12.4.5 非監督式學習-鳶尾花數據 340
12.4.6 美國大學數據 341
12.5 Boosting學習 342
12.6 Stacking學習 343
12.6.1 皮瑪數據 343
12.6.2 員工離職數據 344
12.7 R語言實戰 345
12.7.1 紅酒數據 345
12.7.2 信用數據 347
12.7.3 皮瑪數據 348
12.7.4 波士頓房價數據 349
12.7.5 汽車座椅數據 352
12.7.6 顧客流失數據 353
12.8 本章思維導圖 356
第13 章 推薦系統 357
13.1 推薦系統概述 358
13.2 過濾推薦 359
13.2.1 相似度 360
13.2.2 基於用戶的協同過濾 360
13.2.3 基於項目的協同過濾 361
13.2.4 協同過濾的評價 362
13.2.5 協同過濾的優點和缺點 363
13.2.6 混合的推薦機制 364
13.3 R語言套用 365
13.3.1 推薦系統R語言包 365
13.3.2 recommenderlab 函式程式 366
13.3.3 模擬數據 367
13.4 R語言實戰 369
13.4.1 電影數據 369
13.4.2 笑話數據 373
13.5 本章思維導圖 378
結語 379
參考文獻 381
