第1章R语言基础

1.1 R的安装

1.2 R数据结构

1.3数据输入

1.4程序控制流语句

1.5用户自编函数

1.6运算符

1.7数学统计函数

第2章 关联规则的挖掘

2.1关联规则模型

2.2关联规则的支持度、可信度和提升度

2.3关联规则Apriori算法

第3章 感知机

3.1数据集的线性可分性

3.2感知机模型

3.3感知机学习策略

3.4感知机学习算法

第4章 朴素贝叶斯算法

4.1朴素贝叶斯频次表

4.2朴素贝叶斯条件概率表

4.3朴素贝叶斯分类器

4.4拉普拉斯校准子

4.5连续型数据特征的处理

第5章K近邻法

5.1近邻的距离度量方法

5.2 Kd树——寻找K近邻

5.3分类决策规则

5.4 K值的选择

5.5 K近邻算法

第6章 决策树

6.1决策树模型

6.2决策树学习

6.3决策树的生成

6.4决策树的剪枝

6.5分类与回归树模型

第7章 支持向量机

7.1线性可分支持向量机与硬间隔最大化

7.2线性支持向量机与软间隔最大化

7.3非线性支持向量机与核函数

7.4序列最小最优化算法

第8章 提升算法

8.1 AdaBoost提升算法

8.2 AdaBoost算法解释

8.3提升树

第9章 隐马尔可夫模型

9.1基本概念

9.2概率计算算法

9.3学习算法

9.4预测算法

参考文献