譯者序
前言
關於作者
關於審稿人
第1章　開始使用R語言和機器學習 1
1.1　探究R的基本內容 2
1.1.1　使用R作為科學計算器 2
1.1.2　嚮量運算 3
1.1.3　特殊值 5
1.2　R的數據結構 5
1.2.1　嚮量 6
1.2.2　數組和矩陣 8
1.2.3　列錶 13
1.2.4　數據框 16
1.3　使用函數 20
1.3.1　內置函數 20
1.3.2　用戶自定義函數 20
1.3.3　以參數形式傳遞函數 21
1.4　控製代碼流 22
1.4.1　使用if、if-else和ifelse語句 22
1.4.2　使用switch語句 23
1.4.3　循環 23
1.5　高級結構 24
1.5.1　lapply和sapply函數 25
1.5.2　apply函數 26
1.5.3　tapply函數 27
1.5.4　mapply函數 28
1.6　進一步使用R 29
1.6.1　獲得幫助 29
1.6.2　處理添加包 30
1.7　機器學習基礎 30
1.7.1　機器學習——真正的含義是什麼 30
1.7.2　機器學習——如何應用於現實世界 31
1.7.3　機器學習算法的類型 32
1.8　總結 33
第2章　讓我們進行機器學習 34
2.1　理解機器學習 35
2.2　機器學習算法 35
2.3　算法傢族 40
2.3.1　有監督學習算法 41
2.3.2　無監督學習算法 52
2.4　總結 57
第3章　應用市場購物籃分析預測顧客購買趨勢 58
3.1　檢測和預測趨勢 59
3.2　市場購物籃分析 60
3.2.1　市場購物籃分析的真正含義 60
3.2.2　核心概念和定義 60
3.2.3　用於分析的技術 62
3.2.4　製定數據驅動的決策 63
3.3　評估産品列聯矩陣 63
3.3.1　獲取數據 64
3.3.2　分析和可視化數據 65
3.3.3　整體推薦 66
3.3.4　高級列聯矩陣 67
3.4　頻繁項集的生成 69
3.4.1　開始 69
3.4.2　數據檢索和轉換 69
3.4.3　建立項集關聯矩陣 70
3.4.4　建立頻繁項集生成工作流 72
3.4.5　檢測購物趨勢 74
3.5　關聯規則挖掘 75
3.5.1　加載添加包和數據 76
3.5.2　探索性分析 76
3.5.3　檢測和預測購物趨勢 77
3.5.4　關聯規則可視化 80
3.6　總結 80
第4章　建立産品推薦係統 82
4.1　理解推薦係統 83
4.2　推薦係統存在的問題 83
4.3　協同過濾器 84
4.3.1　核心概念和定義 84
4.3.2　協同過濾算法 85
4.4　建立推薦引擎 87
4.4.1　矩陣分解 88
4.4.2　算法實現 90
4.4.3　解釋結果 94
4.5　産品推薦引擎實戰 95
4.5.1　提取、轉換並分析數據 96
4.5.2　模型準備和預測 99
4.5.3　模型評價 100
4.6　總結 102
第5章　信用風險檢測和預測——描述分析 103
5.1　分析的類型 104
5.2　我們將要麵臨的挑戰 104
5.3　什麼是信用風險 105
5.4　獲取數據 105
5.5　數據處理 107
5.5.1　處理缺失值 107
5.5.2　數據類型轉換 108
5.6　數據分析和變換 109
5.6.1　建立分析實用函數 110
5.6.2　分析數據集 113
5.6.3　保存變換後的數據集 130
5.7　接下來的步驟 130
5.7.1　建立特徵集 130
5.7.2　選擇機器學習算法 131
5.8　總結 131
第6章　信用風險檢測和預測——預測分析 133
6.1　預測分析 134
6.2　如何預測信用風險 135
6.3　預測模型中的重要概念 137
6.3.1　準備數據 137
6.3.2　建立預測模型 137
6.3.3　評估預測模型 138
6.4　獲取數據 140
6.5　數據處理 141
6.6　特徵選擇 142
6.7　應用邏輯迴歸建立模型 144
6.8　應用支持嚮量機建立模型 148
6.9　應用決策樹建立模型 156
6.10　應用隨機森林建立模型 161
6.11　應用神經網絡建立模型 165
6.12　模型比較和選擇 169
6.13　總結 171
第7章　社交媒體分析：分析Twitter數據 172
7.1　社交網絡（Twitter） 172
7.2　數據挖掘與社交網絡 174
7.2.1　挖掘社交網絡數據 175
7.2.2　數據和可視化 176
7.3　從Twitter API開始 179
7.3.1　概覽 179
7.3.2　注冊應用 180
7.3.3　鏈接/認證 181
7.3.4　提取推文示例 182
7.4　Twitter數據挖掘 183
7.4.1　常用詞匯和關聯 186
7.4.2　廣泛使用的設備 191
7.4.3　層次聚類 192
7.4.4　主題建模 194
7.5　社交網絡數據挖掘帶來的挑戰 197
7.6　參考文獻 198
7.7　總結 198
第8章　Twitter數據的情感分析 200
8.1　理解情感分析 201
8.1.1　情感分析的關鍵概念 201
8.1.2　方法 204
8.1.3　應用 205
8.1.4　挑戰 206
8.2　推文中的情感分析 206
8.2.1　極性分析 208
8.2.2　基於分類的算法 212
8.3　總結 223
· · · · · · (收起)