标签分类
当前位置:首页 > 人工智能电子书 > R语言电子书网盘下载
R语言实战:机器学习与数据分析 R语言实战:机器学习与数据分析
42305202

42305202 提供上传

资源
17
粉丝
50
喜欢
152
评论
1

    R语言实战:机器学习与数据分析 PDF 全书影印版

    R语言电子书
    • 发布时间:

    给大家带来的一篇关于R语言相关的电子书资源,介绍了关于R语言、机器学习、数据分析方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小76.2 MB,左飞编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.7,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • R语言实战:机器学习与数据分析 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1keHvONVQgaU15sjKw7W0Jg
  • 分享码:xqz6
  • R语言实战:机器学习与数据分析 PDF

    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

    上一篇:大规模Linux集群架构最佳实践:如何管理上千台服务器  下一篇:ECMAScript 2018快速入门

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    R语言相关电子书
    学习笔记
    网友NO.370346

    r语言和python有必要都学吗

    R和Python是目前最流行的两款高级编程语言,被大量运用于数据科学领域。两者都是开源的,也都有非常活跃的社区来支撑。那么问题来了:r语言和python有必要都学吗 R: R语言由新西兰奥克兰大学的Ross Ihaka和Robert Gentleman于1995设计出来(由于两人的名字均以 ‘R’ 字母开头,因此命名为R语言),现在由“R核心开发团队“负责开发。 虽然R主要用于数据分析、绘图以及数据挖掘,但也有人用作矩阵计算。其计算速度可媲美专用于矩阵计算的开源软件GNU Octave和商业软件MATLAB。 起初R主要在学术研究中使用,但近年来在企业界也表现突出,这使得R成为企业中使用的全球发展最快的统计语言之一。对于数据科学任务,R的语法更直观形象 对于数据处理任务,很多时候R的语法会更简单。函数和参数的命名设计也更好,很容易记住和使用。 举个例子,我们将分别用R和Python来删掉Iris数据框中的两个变量(由于R和Python都有Iris数据框,因此我们使用这个数据框)。 我们来看看各自的语法: Python import seaborn as snsimport pandas as pdiris = sns.load_dataset('iris')iris.drop(['sepal_length', 'species'], axis = 1) R library(dplyr)select(iris, -sepal_length, -species) 为了删除变量,Python中使用了drop函数,而R中使用了select函数。我们来对比这两个函数(都在最后一行代码)的语法。 先……

    网友NO.793786

    r语言和python什么意思

    R语言 1、R是一个有着统计分析功能及强大作图功能的软件系统。R内含了许多实用的统计分析及作图参数。作图参数能将产生的展示在一个独立的窗口中。并能将之保存为各种形式的文件(jpg,png,bmp,ps,pdf,emf,pictex,xfig),具体形式取决于操作系统。统计分析的结果也能被直接显示出来,一些中间(如P-值,回归系统,残差等)既可保存到专门的文件中,也可以直接用作进一步的分析 2、在R语言中,使用者可以使用循环语句来连续分析多个数据集,也可将多个不同的统计函数结合在一个语句中执行更复杂的分析。R使用者还可以借鉴网上提供的用S编写的大量程序,而且大多数都能被R直接调用。 python语言 Python是一种计算机程序设计语言。是一种面向对象的动态类型语言,最初被设计用于编写自动化脚本(shell),随着版本的不断更新和语言新功能的添加,越来越多被用于独立的、大型项目的开发。 Python是完全面向对象的语言。函数、模块、数字、字符串都是对象。并且完全支持继承、重载、派生、多继承,有益于增强源代码的复用性。Python支持重载运算符和动态类型。相对于Lisp这种传统的函数式编程语言,Python对函数式设计只提供了有限的支持。有两个标准库(functools, itertools)提供了Haskell和Standard ML中久经考验的函数式程序设计……

    网友NO.120571

    简述:我为什么选择Python而不是Matlab和R语言

    做数据分析、科学计算等离不开工具、语言的使用,目前最流行的数据语言,无非是MATLAB,R语言,Python这三种语言,但今天小编简单总结了python语言的一些特点及平常使用的工具等。 为什么Python比MATLAB、R语言好呢? 其实,这三种语言都很多数据分析师在用,但更推荐python,主要是有以下几点: 1、python易学、易读、易维护,处理速度也比R语言要快,无需把数据库切割; 2、python势头猛,众多大公司需要,市场前景广阔;而MATLAB语言比较局限,专注于工程和科学计算方面,而且MATLAB价格贵,免费版或盗版都只能玩玩学习用; 3、python具有丰富的扩展库,这个是其他两个不能比的; python版本选择 初学者版本选择是很多人都会问的,我们也不会偏向某个版本,主要根据自己的所需,但建议是选择最新版本Python3.x,这样很多新功能和旧功能都会有的,但是目前很多第三方库仍然不支持Python3,因为Python2.x已经停止继续开发,不意味着不能使用。 IDE选择 Spyder 这个正是我现在在用的: Spyder界面 它具有模仿MATLAB的工作空间的功能,可以很方便地观察和修改数组的值。显示哪些窗口可以自定义,很方便。 使用中出现了一些小问题,比如说str()函数报错,cmdprompt乱码之类的,后来就没有用Spyder跑过比较长的代码了,调试起来太麻烦了,……

    网友NO.554916

    r语言处理数据比python慢吗

    什么是R语言? R语言,一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R),现在由“R开发核心团队”负责开发。R基于S语言的一个GNU计划项目,所以也可以当作S语言的一种实现,通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。(推荐学习:Python视频教程) R的源代码可自由下载使用,亦有已编译的可执行文件版本可以下载,可在多种平台下运行,包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作,同时有人开发了几种图形用户界面。 R的功能能够通过由用户撰写的包增强。增加的功能有特殊的统计技术、绘图功能,以及编程接口和数据输出/输入功能。这些软件包是由R语言、LaTeX、Java及最常用C语言和Fortran撰写。下载的可执行文件版本会连同一批核心功能的软件包,而根据CRAN纪录有过千种不同的软件包。其中有几款较为常用,例如用于经济计量、财经分析、人文科学研究以及人工智能。 Python与R语言的共同特点 Python和R在数据分析和数据挖掘方面都有比较专业和全面的模块,很多常用的功能,比如矩阵运算、向量运算等都有比较高级的用法 Python和R两门语言有多平台适应性,……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明