第1章R語言基礎

1.1R的下載與安裝

1.2輔助性操作命令

1.3基本運算與賦值

1.4向量

1.4.1向量定義

1.4.2向量運算

1.4.3向量元素的獲取

1.4.4向量主要運算函數(shù)

1.5矩陣

1.5.1生成對角矩陣和單位陣

1.5.2矩陣元素取出

1.5.3矩陣行和列的維數(shù)

1.5.4矩陣的主要運算函數(shù)

1.5.5矩陣合并

1.5.6矩陣apply()運算函數(shù)

1.6因子(factor)和有序因子(ordered factor)

1.6.1創(chuàng)建一個因子

1.6.2創(chuàng)建一個有序因子

1.6.3用cut()函數(shù)將一般的數(shù)據(jù)轉(zhuǎn)換成因子或有序因子

1.7數(shù)組

1.7.1產(chǎn)生一個三維和四維數(shù)組

1.7.2dim()函數(shù)可將向量轉(zhuǎn)化成數(shù)組或矩陣

1.7.3張量的三個關鍵屬性

1.7.4數(shù)據(jù)張量

1.7.5張量重塑

1.8列表

1.9數(shù)據(jù)框

1.9.1生成一個數(shù)據(jù)框

1.9.2合并數(shù)據(jù)框

1.9.3判斷數(shù)據(jù)對象是否為數(shù)據(jù)框

1.9.4數(shù)據(jù)框的行名和列名

1.9.5連接函數(shù)

1.9.6數(shù)據(jù)框的數(shù)據(jù)抽取

1.10數(shù)據(jù)讀取

1.10.1讀取外部數(shù)據(jù)

1.10.2數(shù)據(jù)保存

1.11數(shù)據(jù)類型查看及環(huán)境設置

1.11.1數(shù)據(jù)類型

1.11.2數(shù)據(jù)查看

1.11.3環(huán)境設置函數(shù)options()

1.12繪圖

1.12.1繪圖參數(shù)命令

1.12.2常用的繪圖命令

1.12.3繪圖函數(shù)輔助

1.12.4三維繪圖

1.13隨機數(shù)產(chǎn)生

1.14編程基礎

1.14.1條件語句

1.14.2循環(huán)語句

1.14.3自定義函數(shù)

1.15R語言的更新

第2章多元分布

2.1一元分布

2.1.1樣本

2.1.2常用統(tǒng)計量

2.1.3常用分布

2.1.4重要定理

2.2多元分布

2.2.1p維總體

2.2.2隨機向量X的數(shù)字特征

2.2.3多元分布的參數(shù)估計

2.3R語言相關操作

2.3.1一元正態(tài)隨機數(shù)

2.3.2多元正態(tài)隨機數(shù)

第3章線性模型

3.1線性回歸

3.1.1基本形式

3.1.2一元線性回歸

3.1.3多元線性回歸

3.1.4多重共線對回歸模型的影響

3.1.5回歸模型檢驗

3.2對數(shù)線性回歸

3.3邏輯斯蒂回歸

3.4多項邏輯回歸

3.5嶺回歸

3.6Lasso回歸

3.7模型的評估標準

3.7.1分類模型的評估

3.7.2回歸模型的評估

3.8R語言實現(xiàn)

3.8.1線性回歸

3.8.2邏輯斯蒂回歸

3.8.3嶺回歸

3.8.4Lasso回歸

第4章判別分析

4.1距離判別法

4.1.1常用距離

4.1.2判別方法

4.2貝葉斯判別法

4.2.1貝葉斯公式

4.2.2基于最小錯誤率的貝葉斯決策

4.2.3樸素貝葉斯法的學習與分類

4.2.4連續(xù)場合下貝葉斯決策的參數(shù)估計

4.3Fisher判別分析

4.3.1兩類分類

4.3.2多類分類

4.4R語言實例

4.4.1線性判別分析

4.4.2樸素貝葉斯判別分析

4.4.3二次判別分析

第5章支持向量機

5.1小樣本統(tǒng)計學習理論

5.2兩類支持向量機

5.2.1線性可分情況

5.2.2線性不可分情況

5.3一類分類支持向量機

5.4多類支持向量機

5.4.1一對多法

5.4.2一對一法

5.4.3SVM決策樹法

5.4.4ECC-SVM方法

5.4.5基于一類分類的多類分類算法

5.5基于線性規(guī)劃的支持向量機分類

5.5.1數(shù)學背景

5.5.2線性規(guī)劃的分類算法

5.5.3線性規(guī)劃下的一類分類算法

5.6支持向量回歸

5.6.1二次規(guī)劃下的支持向量回歸

5.6.2幾種線性規(guī)劃下的支持向量回歸

5.6.3最小二乘支持向量回歸

5.7R語言實驗

5.7.1分類問題

5.7.2回歸問題

第6章決策樹

6.1決策樹的概念

6.2決策樹分類器設計

6.2.1ID3算法

6.2.2C4.5算法

6.2.3決策樹剪枝

6.2.4從決策樹提取分類規(guī)則

6.3決策樹的CART算法實現(xiàn)

6.3.1分類樹

6.3.2回歸樹

6.4R語言實驗

6.4.1分類樹

6.4.2回歸樹

第7章集成學習

7.1個體與集成

7.2自適應提升算法

7.3梯度提升算法

7.4提升樹

7.4.1提升樹模型

7.4.2提升樹算法

7.5Bagging與隨機森林

7.5.1Bagging

7.5.2隨機森林

7.5.3結合策略

7.6R語言實驗

7.6.1裝袋法回歸

7.6.2隨機森林分類

7.6.3提升法

第8章主成分分析與因子分析

8.1主成分分析

8.1.1基本原理

8.1.2主成分應用

8.2因子分析

8.2.1因子分析模型

8.2.2因子分析模型的計算

8.3R語言試驗

8.3.1主成分分析

8.3.2因子分析

第9章降維

9.1k近鄰學習

9.2低維嵌入

9.3流形學習

9.3.1等度量映射

9.3.2局部線性嵌入

9.3.3隨機近鄰嵌入

9.3.4t分布隨機近鄰嵌入

9.4R語言實驗

9.4.1LLE降維

9.4.2MDS降維

9.4.3qkIsomap函數(shù)實現(xiàn)Isomap

9.4.4"Rtsne"包實現(xiàn)t�睸NE

第10章聚類分析

10.1基于距離的聚類

10.1.1相似性度量

10.1.2層次聚類

10.1.3k均值聚類

10.2基于密度的聚類

10.3R語言實驗

10.3.1k均值聚類

10.3.2層次聚類

10.3.3基于密度的聚類

第11章偏最小二乘回歸

11.1基本思想

11.2基本算法

11.3模型成分個數(shù)的確定

11.4R語言實現(xiàn)

第12章深度神經(jīng)網(wǎng)絡

12.1感知機

12.1.1定義

12.1.2基本思想

12.1.3算法

12.2人工神經(jīng)網(wǎng)絡的基本思想

12.2.1神經(jīng)元

12.2.2激活函數(shù)

12.3前饋神經(jīng)網(wǎng)絡

12.3.1網(wǎng)絡結構

12.3.2BP算法

12.3.3BP算法總結

12.4自動編碼器網(wǎng)絡

12.5受限玻爾茲曼機

12.6深度置信網(wǎng)絡

12.7卷積神經(jīng)網(wǎng)絡

12.7.1卷積

12.7.2池化

12.7.3全連接層

12.7.4訓練算法

12.7.5典型網(wǎng)絡

12.8循環(huán)神經(jīng)網(wǎng)絡

12.8.1基本概念

12.8.2網(wǎng)絡的訓練

12.8.3Elman神經(jīng)網(wǎng)絡

12.8.4Jordan神經(jīng)網(wǎng)絡

12.8.5LSTM網(wǎng)絡

12.8.6GRU網(wǎng)絡

12.9R語言實現(xiàn)

12.9.1neuralnet包實現(xiàn)前饋神經(jīng)網(wǎng)絡

12.9.2Keras包創(chuàng)建神經(jīng)網(wǎng)絡

12.9.3循環(huán)神經(jīng)網(wǎng)絡

12.9.4自編碼器網(wǎng)絡

12.9.5受限玻爾茲曼機

12.9.6深度信念網(wǎng)

12.9.7Jordan網(wǎng)絡

12.9.8Elman網(wǎng)絡

附錄A向量和矩陣函數(shù)的導數(shù)

附錄B拉格朗日對偶性

參考文獻