R语言——数据分析与数据挖掘在常规工作中的应用
2017-01-02 21:15
441 查看
大纲:
1 数据质量分析
1.1 缺失值分析
1.2 异常值分析
1.3 一致性分析
2 数据特征分析
2.1 分布分析
2.2 对比分析
2.3 统计量分析
2.4 周期性分析
2.5 贡献度分析
2.6 相关性分析
3 R语言主要数据探索函数
3.1 统计特征函数
3.2 统计作图函数
3.3 小结
数据预处理
4.1 数据清洗
4.1.1 缺失值处理
4.1.2 异常值处理
4.2 数据集成
4.2.1 实体识别
4.2.2 冗余属性识别
4.3 数据变换
4.3.1 简单函数变换
4.3.2 规范化
4.3.3 连续属性离散化
4.3.4 属性构造
4.3.5 小波变换
4.4 数据规约
4.4.1 属性规约
4.4.2 数值规约
4.5 R语言主要数据预处理函数
4.6 小结65
挖掘建模
5.1 分类与预测
5.1.1 实现过程
5.1.2 常用的分类与预测算法
5.1.3 回归分析
5.1.4 决策树
5.1.5 人工神经网络
5.1.6 分类与预测算法评价
5.1.7 R语言主要分类与预测算法函数
5.2 聚类分析
5.2.1 常用聚类分析算法
5.2.2 K—Means聚类算法
5.2.3 聚类分析算法评价
5.2.4 R语言主要聚类分析算法函数
5.3 关联规则
5.3.1 常用关联规则算法
5.3.2 Apriori算法
5.4 时序模式
5.4.1 时间序列算法
5.4.2 时间序列的预处理
5.4.3 平稳时间序列分析
5.4.4 非平稳时间序列分析
5.4.5 R语言主要时序模式算法函数
5.5 离群点检测
5.5.1 离群点检测方法
5.5.2 基于模型的离群点检测方法
5.5.3 基于聚类的离群点检测方法
5.6 小结
1 数据质量分析
1.1 缺失值分析
1.2 异常值分析
1.3 一致性分析
2 数据特征分析
2.1 分布分析
2.2 对比分析
2.3 统计量分析
2.4 周期性分析
2.5 贡献度分析
2.6 相关性分析
3 R语言主要数据探索函数
3.1 统计特征函数
3.2 统计作图函数
3.3 小结
数据预处理
4.1 数据清洗
4.1.1 缺失值处理
4.1.2 异常值处理
4.2 数据集成
4.2.1 实体识别
4.2.2 冗余属性识别
4.3 数据变换
4.3.1 简单函数变换
4.3.2 规范化
4.3.3 连续属性离散化
4.3.4 属性构造
4.3.5 小波变换
4.4 数据规约
4.4.1 属性规约
4.4.2 数值规约
4.5 R语言主要数据预处理函数
4.6 小结65
挖掘建模
5.1 分类与预测
5.1.1 实现过程
5.1.2 常用的分类与预测算法
5.1.3 回归分析
5.1.4 决策树
5.1.5 人工神经网络
5.1.6 分类与预测算法评价
5.1.7 R语言主要分类与预测算法函数
5.2 聚类分析
5.2.1 常用聚类分析算法
5.2.2 K—Means聚类算法
5.2.3 聚类分析算法评价
5.2.4 R语言主要聚类分析算法函数
5.3 关联规则
5.3.1 常用关联规则算法
5.3.2 Apriori算法
5.4 时序模式
5.4.1 时间序列算法
5.4.2 时间序列的预处理
5.4.3 平稳时间序列分析
5.4.4 非平稳时间序列分析
5.4.5 R语言主要时序模式算法函数
5.5 离群点检测
5.5.1 离群点检测方法
5.5.2 基于模型的离群点检测方法
5.5.3 基于聚类的离群点检测方法
5.6 小结
相关文章推荐
- 数据分析与数据挖掘在常规工作中的应用——数据 离散化
- 数据分析与数据挖掘在常规工作中的应用——日期处理
- 数据分析与数据挖掘在常规工作中的应用——数据规范化
- 数据分析与数据挖掘在常规工作中的应用——数据异常值
- 数据分析与数据挖掘在常规工作中的应用——数据清洗之缺失值处理
- 数据分析与数据挖掘在常规工作中的应用——基本统计量描述
- 数据分析与数据挖掘在常规工作中的应用——基本统计量案例
- 数据挖掘技术在信用卡业务中的应用及实例分析
- BI应用:数据分析和数据挖掘时代来临
- 数据挖掘应用现状与产品分析
- R数据挖掘技术-基于R语言的数据挖掘和统计分析技术
- 统计分析和数据挖掘的应用
- 数据挖掘应用案例:RFM模型分析与客户细分(未完成)
- 数据挖掘的价值:寿险行业数据挖掘应用分析
- 【R语言进行数据挖掘】回归分析
- 基于R语言的数据分析和挖掘方法总结——均值检验
- R语言 | 数据挖掘中的常用统计分析知识
- 数据挖掘应用案例:RFM模型分析与客户细分(转)
- 大数据环境下集成R语言的数据挖掘系统 之 数据分析
- 数据分析与挖掘的企业应用路在何方(谈分水岭)