R语言实战：机器学习与数据分析 PDF 高清版

融合R語言藏于不漏水的强劲杀伤力，决战数据统计分析之巅
且听我将生物学之精粹娓娓而谈，助你磨砺互联网时代的掘金手法
探索大数据挖掘秘术，剥开深度学习谜雾，点破关系式身后的逐层特殊

經典统计分析基础理论和深度学习方式 为大数据挖掘出示了必需的剖析技术性。这书系统化详细介绍数据分析和深度学习行业中更为关键和时兴的多种多样技术性以及基本概念，在详细说明相关优化算法的基本上，融合很多R語言案例演试了这种基础理论结合实际的使用说明。主要内容被分为3个一部分，即R编程语言基本、根据统计分析的统计分析方法及其深度学习基础理论。数据分析与深度学习一部分又实际详细介绍了参数估计、假设检验、极大似然估计、非参数检验方式 （包含列联剖析、符号检验、标记秩检测等）、方差分析、线性回归（包含岭回归和Lasso方式 ）、逻辑回归、支持向量机、聚类分析（包含K平均值优化算法和EM优化算法）和神经网络算法等內容。另外，统计分析基础理论的详细介绍也为推进用户针对事件深度学习一部分的了解出示了挺大帮助。知识体系与阅读进展的分配上既兼具了由浅入深的学习培训规律性，亦城乡医疗保险考虑到了牢固的基础的重要性。这书內容与具体运用融合密不可分，又务求突显从入门到精通、系统软件详实之特点，对优化算法基本原理的表述也是认真细致。

目录

• 第1章  初识R语言 1
• 1.1  R语言简介 1
• 1.2  安装与运行 3
• 1.3  开始使用R 5
• 1.4  包的使用 7
• 1.5  使用帮助 8
• 第2章  探索R数据 10
• 2.1  向量的创建 10
• 2.2  向量的运算 13
• 2.3  向量的筛选 15
• 2.4  矩阵的创建 17
• 2.5  矩阵的使用 20
• 2.5.1  矩阵的代数运算 20
• 2.5.2  修改矩阵的行列 22
• 2.5.3  对行列调用函数 23
• 2.6  矩阵的筛选 25
• 第3章  编写R程序 28
• 3.1  流程的控制 28
• 3.1.1  条件选择结构的概念 28
• 3.1.2  条件选择结构的语法 29
• 3.1.3  循环结构的基本概念 30
• 3.1.4  循环结构的基本语法 31
• 3.2  算术与逻辑 33
• 3.3  使用函数 34
• 3.3.1  函数式语言 34
• 3.3.2  默认参数值 35
• 3.3.3  自定义函数 36
• 3.3.4  递归的实现 38
• 3.4  编写代码 40
• 第4章  概率统计基础 42
• 4.1  概率论的基本概念 42
• 4.2  随机变量数字特征 45
• 4.2.1  期望 45
• 4.2.2  方差 46
• 4.3  基本概率分布模型 48
• 4.3.1  离散概率分布 48
• 4.3.2  连续概率分布 52
• 4.3.3  使用内嵌分布 55
• 4.4  大数定理及其意义 59
• 4.5  中央极限定理 62
• 4.6  随机采样分布 65
• 第5章  实用统计图形 71
• 5.1  饼状图 71
• 5.2  直方图 74
• 5.3  核密图 78
• 5.4  箱线图 81
• 5.4.1  箱线图与分位数 81
• 5.4.2  使用并列箱线图 84
• 5.5  条形图 87
• 5.5.1  基本条形图及调整 87
• 5.5.2  堆砌与分组条形图 88
• 5.6  分位数与QQ图 91
• 第6章  数据输入/输出 99
• 6.1  数据的载入 99
• 6.1.1  基本的数据导入方法 99
• 6.1.2  处理其他软件的格式 103
• 6.1.3  读取来自网页的数据 104
• 6.1.4  从数据库中读取数据 106
• 6.2  数据的保存 108
• 6.3  数据预处理 109
• 6.3.1  常用数学函数 110
• 6.3.2  修改数据标签 113
• 6.3.3  缺失值的处理 114
• 第7章  高级数据结构 118
• 7.1  列表 118
• 7.1.1  列表的创建 118
• 7.1.2  列表元素的访问 120
• 7.1.3  增删列表元素 121
• 7.1.4  拼接列表 123
• 7.1.5  列表转化为向量 123
• 7.1.6  列表上的运算 124
• 7.1.7  列表的递归 125
• 7.2  数据框 126
• 7.2.1  数据框的创建 126
• 7.2.2  数据框元素的访问 128
• 7.2.3  提取子数据框 129
• 7.2.4  数据框行列的添加 130
• 7.2.5  数据框的合并 132
• 7.2.6  数据框的其他操作 134
• 7.3  因子 135
• 7.3.1  因子的创建 136
• 7.3.2  因子中插入水平 137
• 7.3.3  因子和常用函数 138
• 7.4  表 140
• 7.4.1  表的创建 141
• 7.4.2  表中元素的访问 143
• 7.4.3  表中变量的边际值 143
• 第8章  统计推断 146
• 8.1  参数估计 146
• 8.1.1  参数估计的基本原理 146
• 8.1.2  单总体参数区间估计 149
• 8.1.3  双总体均值差的估计 155
• 8.1.4  双总体比例差的估计 161
• 8.2  假设检验 162
• 8.2.1  基本概念 162
• 8.2.2  两类错误 166
• 8.2.3  均值检验 167
• 8.3  极大似然估计 172
• 8.3.1  极大似然法的基本原理 172
• 8.3.2  求极大似然估计的方法 174
• 8.3.3  极大似然估计应用举例 176
• 第9章  非参数检验方法 181
• 9.1  列联分析 181
• 9.1.1  类别数据与列联表 181
• 9.1.2  皮尔逊（Pearson）的卡方检验 182
• 9.1.3  列联分析应用条件 186
• 9.1.4  费希尔（Fisher）的确切检验 188
• 9.2  符号检验 190
• 9.3  威尔科克森（Wilcoxon）符号秩检验 195
• 9.4  威尔科克森（Wilcoxon）的秩和检验 199
• 9.5  克鲁斯卡尔-沃利斯（Kruskal-Wallis）检验 204
• 第10章  一元线性回归 208
• 10.1  回归分析的性质 208
• 10.2  回归的基本概念 210
• 10.2.1  总体的回归函数 210
• 10.2.2  随机干扰的意义 211
• 10.2.3  样本的回归函数 213
• 10.3  回归模型的估计 214
• 10.3.1  普通最小二乘法原理 214
• 10.3.2  一元线性回归的应用 216
• 10.3.3  经典模型的基本假定 218
• 10.3.4  总体方差的无偏估计 222
• 10.3.5  估计参数的概率分布 225
• 10.4  正态条件下的模型检验 227
• 10.4.1  拟合优度的检验 227
• 10.4.2  整体性假定检验 231
• 10.4.3  单个参数的检验 233
• 10.5  一元线性回归模型预测 234
• 10.5.1  点预测 234
• 10.5.2  区间预测 235
• 第11章  线性回归进阶 239
• 11.1  多元线性回归模型 239
• 11.2  多元回归模型估计 241
• 11.2.1  最小二乘估计量 241
• 11.2.2  多元回归的实例 242
• 11.2.3  总体参数估计量 245
• 11.3  多元回归模型检验 247
• 11.3.1  线性回归的显著性 247
• 11.3.2  回归系数的显著性 249
• 11.4  多元线性回归模型预测 250
• 11.5  其他回归模型函数形式 253
• 11.5.1  双对数模型以及生产函数 253
• 11.5.2  倒数模型与菲利普斯曲线 255
• 11.5.3  多项式回归模型及其分析 258
• 11.6  回归模型的评估与选择 260
• 11.6.1  嵌套模型选择 261
• 11.6.2  赤池信息准则 262
• 11.6.3  逐步回归方法 265
• 11.7  现代回归方法的新进展 269
• 11.7.1  多重共线性 269
• 11.7.2  岭回归 270
• 11.7.3  从岭回归到Lasso 271
• 第12章  方差分析方法 275
• 12.1  方差分析的基本概念 275
• 12.2  单因素方差分析方法 278
• 12.2.1  基本原理 278
• 12.2.2  分析步骤 279
• 12.2.3  强度测量 280
• 12.3  双因素方差分析方法 281
• 12.3.1  无交互作用的分析 281
• 12.3.2  有交互作用的分析 286
• 12.4  多重比较 289
• 12.4.1  多重t检验 290
• 12.4.2  "Dunnett" 检验 291
• 12.4.3  "Tukey" 的"HSD" 检验 294
• 12.4.4  "Newman" -"Keuls" 检验 298
• 12.5  方差齐性的检验方法 301
• 12.5.1  "Bartlett" 检验法 301
• 12.5.2  "Levene" 检验法 303
• 第13章  聚类分析 307
• 13.1  聚类的概念 307
• 13.2  K均值算法 308
• 13.2.1  距离度量 309
• 13.2.2  算法描述 310
• 13.2.3  应用实例 312
• 13.3  最大期望算法 314
• 13.3.1  算法原理 314
• 13.3.2  收敛探讨 319
• 13.4  高斯混合模型 320
• 13.4.1  模型推导 320
• 13.4.2  应用实例 323
• 第14章  支持向量机 326
• 14.1  从逻辑回归到线性分类 326
• 14.2  线性可分的支持向量机 330
• 14.2.1  函数距离与几何距离 330
• 14.2.2  最大间隔分类器 332
• 14.2.3  拉格朗日乘数法 334
• 14.2.4  对偶问题的求解 339
• 14.3  松弛因子与软间隔模型 343
• 14.4  非线性支持向量机方法 345
• 14.4.1  从更高维度上分类 345
• 14.4.2  非线性核函数方法 347
• 14.4.3  默瑟定理与核函数 350
• 14.5  对数据进行分类的实践 350
• 14.5.1  基本建模函数 351
• 14.5.2  分析建模结果 355
• 第15章  人工神经网络 358
• 15.1  从感知机开始 358
• 15.1.1  感知机模型 358
• 15.1.2  感知机学习 360
• 15.1.3  多层感知机 362
• 15.2  基本神经网络 365
• 15.2.1  神经网络结构 365
• 15.2.2  符号标记说明 366
• 15.2.3  后向传播算法 368
• 15.3  神经网络实践 370
• 15.3.1  核心函数介绍 370
• 15.3.2  应用分析实践 372
• 参考文献 375