用商业案例学R语言数据挖掘

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，靠前、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章到靠前6章为数据挖掘方法，靠前7章为特征工程，靠前8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SASEG实现（第2版）》和《胸有成竹!数据分析的SPSS和SASEG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。

经管之家：原人大经济论坛，于2003年成立，致力于推动经管学科的进步，传播很好教育资源，目前已经发展成为靠前很好的经济、管理、金融、统计类的在线教育和咨询网站，也是靠前活跃和具影响力的经管类网络社区。经管之家从2006年起在靠前开展数据分析培训，累计培训学员数万人。在大数据的趋势背景下，创新“CDA数据分析师”品牌，致力于为社会各界数据分析爱好者提供优质、科学、系统的数据分析教育。截至2016年3月已成功举办40多期系统培训，培训学员达3千余名；CDA认证考试已成功举办三届，报考人数上千人；中国数据分析师俱乐部（CDACLUB），每周线下免费沙龙活动，已举力40多期，累积会员2千余名；中国数据分析师行业峰会（CDA-Summit），一年两届，参会人数皆达2千余名，在大数据领域影响力超前。“CDA数据分析师”队伍在业界不断壮大，对数据分析人才产业起到了巨大的推动作用。
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，现为靠前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。

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
2.2R语言简介
2.3R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
3.1R的基本数据类型
3.2R的基本数据结构
3.3R的程序控制
3.4R的函数
3.5R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
4.3R基础绘图包
4.4ggplot2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
5.2R中的高级数据整合
5.3R中的抽样
5.4R的数据清洗
5.5数据整合
第6章统计推断基础
6.1基本的统计学概念
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（两分类变量关系检验）
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
8.1Logistic回归的相关关系分析
8.2Logistic回归模型及实现
8.3优选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
10.4BP神经网络
10.5RBF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
11.2KNN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
12.5R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
14.4k-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 onstruction）
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）