第1章 模式的数据挖掘

1.1 聚类分析

1.1.1 K-means聚类

1.1.2 K-medoids聚类

1.1.3 分层聚类

1.1.4 期望最大化

1.1.5 密度估计

1.2 异常检测

1.2.1 显示异常值

1.2.2 计算异常

1.3 关联规则

1.4 问题

1.5 总结

第2章 序列的数据挖掘

2.1 模式

2.1.1 Eclat

2.1.2 arulesNBMiner

2.1.3 Apriori

2.1.4 用TraMineR确定序列

2.1.5 序列相似点

2.2 问题

2.3 总结

第3章 文本挖掘

3.1 功能包

3.1.1 文本处理

3.1.2 文本集群

3.2 问题

3.3 总结

第4章 数据分析——回归分析

4.1 功能包

4.1.1 简单回归

4.1.2 多次回归

4.1.3 多变量回归分析

4.1.4 稳健回归

4.2 问题

4.3 总结

第5章 数据分析——相关性

5.1 功能包

5.1.1 基本相关性

5.1.2 可视化相关性

5.1.3 协方差

5.1.4 皮尔森相关性

5.1.5 多分格相关性

5.1.6 四分相关性

5.1.7 异构相关矩阵

5.1.8 部分相关性

5.2 问题

5.3 总结

第6章 数据分析——聚类

6.1 功能包

6.2 K-means聚类

6.2.1 示例

6.2.2 Medoids集群

6.2.3 cascadeKM函数

6.2.4 基于贝叶斯定理信息选取集群

6.2.5 仿射传播聚类

6.2.6 用于估测集群数量的间隙统计量

6.2.7 分级聚类

6.3 问题

6.4 总结

第7章 数据可视化——R图形

7.1 功能包

7.1.1 交互式图形

7.1.2 latticist功能包

7.1.3 ggplot2功能包

7.2 问题

7.3 总结

第8章 数据可视化——绘图

8.1 功能包

8.2 散点图

8.2.1 回归线

8.2.2 lowess线条

8.2.3 scatterplot函数

8.2.4 Scatterplot矩阵

8.2.5 密度散点图

8.3 直方图和条形图

8.3.1 条形图

8.3.2 直方图

8.3.3 ggplot2

8.3.4 词云

8.4 问题

8.5 总结

第9章 数据可视化——三维

9.1 功能包

9.2 生成三维图形

9.2.1 Lattice Cloud——三维散点图

9.2.2 scatterplot3d

9.2.3 scatter3d

9.2.4 cloud3d

9.2.5 RgoogleMaps

9.2.6 vrmlgenbar3D

9.2.7 大数据

9.2.8 研究方向

9.3 问题

9.4 总结

第10章 机器学习实战

10.1 功能包

10.2 数据集

10.2.1 数据划分

10.2.2 模型

10.2.3 train方法

10.3 问题

10.4 总结

第11章 用机器学习预测事件

11.1 自动预测功能包

11.1.1 时间序列

11.1.2 SMA函数

11.1.3 分解函数

11.1 4指数平滑法

11.1.5 预测

11.1.6 霍尔特指数平滑法

11.2 问题

11.3 总结

第12章 监督学习和无监督学习

12.1 功能包

12.1.1 监督学习

12.1.2 无监督学习

12.2 问题

12.3 总结