思维导图备注

R语言数据挖掘
首页 下载 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

译者序

浏览 12 扫码
  • 小字体
  • 中字体
  • 大字体
2023-09-04 22:21:25
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 译者序
  • 作者简介
  • 审校者简介
  • 前言
  • 致谢
  • 第1章 预备知识
    • 1.1 大数据
    • 1.2 数据源
    • 1.3 数据挖掘
      • 1.3.1 特征提取
      • 1.3.2 总结
      • 1.3.3 数据挖掘过程
    • 1.4 社交网络挖掘
    • 1.5 文本挖掘
      • 1.5.1 信息检索和文本挖掘
      • 1.5.2 文本挖掘预测
    • 1.6 网络数据挖掘
    • 1.7 为什么选择R
    • 1.8 统计学
      • 1.8.2 统计学与机器学习
      • 1.8.3 统计学与R语言
    • 1.9 机器学习
      • 1.9.1 机器学习方法
      • 1.9.2 机器学习架构
    • 1.10 数据属性与描述
      • 1.10.1 数值属性
      • 1.10.2 分类属性
      • 1.10.3 数据描述
      • 1.10.4 数据测量
    • 1.11 数据清洗
      • 1.11.1 缺失值
      • 1.11.2 垃圾数据、噪声数据或异常值
    • 1.12 数据集成
    • 1.13 数据降维
      • 1.13.1 特征值和特征向量
      • 1.13.2 主成分分析
      • 1.13.3 奇异值分解
      • 1.13.4 CUR分解
    • 1.14 数据变换与离散化
      • 1.14.1 数据变换
      • 1.14.2 标准化数据的变换方法
      • 1.14.3 数据离散化
    • 1.15 结果可视化
    • 1.16 练习
    • 1.17 总结
  • 第2章 频繁模式、关联规则和相关规则挖掘
    • 2.1 关联规则和关联模式概述
      • 2.1.1 模式和模式发现
      • 2.1.2 关系或规则发现
    • 2.2 购物篮分析
      • 2.2.1 购物篮模型
      • 2.2.2 Apriori算法
      • 2.2.3 Eclat算法
      • 2.2.4 FP-growth算法
      • 2.2.5 基于最大频繁项集的GenMax算法
      • 2.2.6 基于频繁闭项集的Charm算法
      • 2.2.7 关联规则生成算法
    • 2.3 混合关联规则挖掘
      • 2.3.1 多层次和多维度关联规则挖掘
      • 2.3.2 基于约束的频繁模式挖掘
    • 2.4 序列数据集挖掘
      • 2.4.1 序列数据集
      • 2.4.2 GSP算法
    • 2.5 R语言实现
      • 2.5.1 SPADE算法
    • 2.5.2 从序列模式中生成规则
    • 2.7 练习
    • 2.8 总结
  • 第3章 分类
    • 3.1 分类
    • 3.2 通用决策树归纳法
      • 3.2.1 属性选择度量
      • 3.2.2 决策树剪枝
      • 3.2.3 决策树生成的一般算法
      • 3.2.4 R语言实现
    • 3.3 使用ID3算法对高额度信用卡用户分类
      • 3.3.1 ID3算法
      • 3.3.2 R语言实现
      • 3.3.3 网络攻击检测
      • 3.3.4 高额度信用卡用户分类
    • 3.4 使用C4.5算法进行网络垃圾页面检测
      • 3.4.1 C4.5算法
      • 3.4.2 R语言实现
      • 3.4.4 网络垃圾页面检测
    • 3.5 使用CART算法判断网络关键资源页面
      • 3.5.1 CART算法
      • 3.5.2 R语言实现
    • 3.6 木马程序流量识别方法和贝叶斯分类
      • 3.6.1 估计
      • 3.6.2 贝叶斯分类
      • 3.6.4 木马流量识别方法
    • 3.7 垃圾邮件识别和朴素贝叶斯分类
      • 3.7.1 朴素贝叶斯分类
      • 3.7.2 R语言实现
      • 3.7.3 垃圾邮件识别
    • 3.8 基于规则的计算机游戏玩家类型分类和基于规则的分类
      • 3.8.1 从决策树变换为决策规则
      • 3.8.2 基于规则的分类
      • 3.8.3 序列覆盖算法
      • 3.8.4 RIPPER算法
      • 3.8.5 计算机游戏玩家类型的基于规则的分类
    • 3.9 练习
    • 3.10 总结
  • 第4章 高级分类算法
    • 4.1 集成方法
      • 4.1.1 Bagging算法
      • 4.1.2 Boosting和AdaBoost算法
      • 4.1.3 随机森林算法
      • 4.1.4 R语言实现
      • 4.1.5 基于MapReduce的并行版本
    • 4.2 生物学特征和贝叶斯信念网络
      • 4.2.1 贝叶斯信念网络算法
      • 4.2.2 R语言实现
    • 4.2.3 生物学特征
      • 4.3.1 kNN算法
    • 4.3.2 R语言实现
      • 4.4.1 支持向量机算法
      • 4.4.2 R语言实现
    • 4.4.4 文档检索
      • 4.5.1 关联分类
      • 4.5.2 基于判别频繁模式的分类
      • 4.5.4 基于序列频繁项集的文本分类
    • 4.6 基于反向传播算法的分类
      • 4.6.1 BP算法
      • 4.6.2 R语言实现
      • 4.6.3 基于MapReduce的并行版本
    • 4.7 练习
    • 4.8 总结
  • 第5章 聚类分析
    • 5.1 搜索引擎和k均值算法
      • 5.1.1 k均值聚类算法
      • 5.1.2 核k均值聚类算法
      • 5.1.4 R语言实现
      • 5.1.5 基于MapReduce的并行版本
      • 5.1.6 搜索引擎和网页聚类
    • 5.2 自动提取文档文本和k中心点算法
      • 5.2.1 PAM算法
      • 5.2.2 R语言实现
    • 5.3 CLARA算法及实现
      • 5.3.1 CLARA算法
    • 5.4 CLARANS算法及实现
      • 5.4.1 CLARANS算法
      • 5.4.2 R语言实现
    • 5.5 无监督的图像分类和仿射传播聚类
      • 5.5.1 仿射传播聚类
      • 5.5.3 无监督图像分类
      • 5.5.4 谱聚类算法
    • 5.6 新闻分类和层次聚类
      • 5.6.1 凝聚层次聚类
      • 5.6.2 BIRCH算法
      • 5.6.3 变色龙算法
      • 5.6.4 贝叶斯层次聚类算法
      • 5.6.6 R语言实现
      • 5.6.7 新闻分类
    • 5.7 练习
    • 5.8 总结
  • 第6章 高级聚类分析
    • 6.1 电子商务客户分类分析和DBSCAN算法
      • 6.1.1 DBSCAN算法
      • 6.1.2 电子商务客户分类分析
    • 6.2 网页聚类和OPTICS算法
      • 6.2.1 OPTICS算法
      • 6.2.2 R语言实现
      • 6.2.3 网页聚类
    • 6.3 浏览器缓存中的访客分析和DENCLUE算法
      • 6.3.1 DENCLUE算法
      • 6.3.3 浏览器缓存中的访客分析
    • 6.4 推荐系统和STING算法
      • 6.4.1 STING算法
      • 6.4.3 推荐系统
    • 6.5 网络情感分析和CLIQUE算法
      • 6.5.1 CLIQUE算法
      • 6.5.2 R语言实现
      • 6.5.3 网络情感分析
    • 6.6 观点挖掘和WAVE聚类算法
      • 6.6.1 WAVE聚类算法
      • 6.6.3 观点挖掘
    • 6.7 用户搜索意图和EM算法
      • 6.7.1 EM算法
      • 6.7.3 用户搜索意图
    • 6.8 客户购买数据分析和高维数据聚类
      • 6.8.1 MAFIA算法
      • 6.8.2 SURFING算法
      • 6.8.3 R语言实现
      • 6.8.4 客户购买数据分析
    • 6.9 SNS和图与网络数据聚类
      • 6.9.1 SCAN算法
      • 6.9.3 社交网络服务
    • 6.10 练习
    • 6.11 总结
  • 第7章 异常值检测
    • 7.1 信用卡欺诈检测和统计方法
      • 7.1.1 基于似然的异常值检测算法
      • 7.1.3 信用卡欺诈检测
    • 7.2 活动监控——涉及手机的欺诈检测和基于邻近度的方法
      • 7.2.1 NL算法
      • 7.2.2 FindAllOutsM算法
      • 7.2.4 基于距离的算法
      • 7.2.5 Dolphin算法
      • 7.2.6 R语言实现
      • 7.2.7 活动监控与手机欺诈检测
    • 7.3 入侵检测和基于密度的方法
      • 7.3.1 OPTICS-OF算法
      • 7.3.2 高对比度子空间算法
      • 7.3.3 R语言实现
      • 7.3.4 入侵检测
    • 7.4 入侵检测和基于聚类的方法
      • 7.4.2 基于k均值的算法
      • 7.4.3 ODIN算法
    • 7.5 监控网络服务器的性能和基于分类的方法
      • 7.5.1 OCSVM算法
      • 7.5.2 一类最近邻算法
      • 7.5.3 R语言实现
      • 7.5.4 监控网络服务器的性能
    • 7.6 文本的新奇性检测、话题检测与上下文异常值挖掘
      • 7.6.1 条件异常值检测算法
      • 7.6.2 R语言实现
      • 7.6.3 文本的新奇性检测与话题检测
    • 7.7 空间数据中的集体异常值
      • 7.7.2 R语言实现
      • 7.7.3 集体异常值的特征
    • 7.8 高维数据中的异常值检测
      • 7.8.1 Brute-Force算法
      • 7.8.3 R语言实现
    • 7.9 练习
    • 7.10 总结
  • 第8章 流数据、时间序列数据和序列数据挖掘
    • 8.1 信用卡交易数据流和STREAM算法
      • 8.1.1 STREAM算法
      • 8.1.2 单通道法聚类算法
      • 8.1.4 信用卡交易数据流
    • 8.2 预测未来价格和时间序列分析
      • 8.2.1 ARIMA算法
      • 8.2.2 预测未来价格
    • 8.3 股票市场数据和时间序列聚类与分类
      • 8.3.1 hError算法
      • 8.3.2 基于1NN分类器的时间序列分类
      • 8.3.4 股票市场数据
    • 8.4 网络点击流和挖掘符号序列
      • 8.4.1 TECNO-STREAMS算法
      • 8.4.2 R语言实现
      • 8.4.3 网络点击流
    • 8.5 挖掘事务数据库中的序列模式
      • 8.5.1 PrefixSpan算法
    • 8.6 练习
    • 8.7 总结
  • 第9章 图挖掘与网络分析
    • 9.1 图挖掘
      • 9.1.1 图
    • 9.2 频繁子图模式挖掘
      • 9.2.1 gPLS算法
      • 9.2.2 GraphSig算法
      • 9.2.3 gSpan算法
      • 9.2.4 最右路径扩展和它们的支持
      • 9.2.5 子图同构枚举算法
      • 9.2.6 典型的检测算法
    • 9.3 社交网络挖掘
      • 9.3.1 社区检测和Shingling算法
      • 9.3.3 R语言实现
    • 9.4 练习
    • 9.5 总结
  • 第10章 文本与网络数据挖掘
    • 10.1 文本挖掘与TM包
    • 10.2 文本总结
      • 10.2.1 主题表示
      • 10.2.2 多文档总结算法
      • 10.2.3 最大边缘相关算法
    • 10.2.4 R语言实现
    • 10.4 网页分类
    • 10.5 对报刊文章和新闻主题分类
      • 10.5.1 基于N-gram的文本分类算法
      • 10.5.2 R语言实现
    • 10.6 使用网络日志的网络使用挖掘
      • 10.6.1 基于形式概念分析的关联规则挖掘算法
    • 10.6.2 R语言实现
    • 10.8 总结
  • 附录 算法和数据结构
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《R语言数据挖掘》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度