第1章 大数据分析与挖掘概论 1__eol__1.1 大数据分析与挖掘 1__eol__1.1.1 大数据定义 1__eol__1.1.2 大数据分析与挖掘的概念 2__eol__1.2 大数据分析与挖掘流程 3__eol__1.2.1 数据获取 3__eol__1.2.2 数据预处理 3__eol__1.2.3 数据分析 4__eol__1.2.4 数据解释 5__eol__1.3 大数据分析与挖掘应用 5__eol__1.3.1 优化任务 5__eol__1.3.2 预测任务 5__eol__1.3.3 分类任务 5__eol__1.3.4 识别任务 6__eol__第2章 R语言编程基础 7__eol__2.1 R语言的安装及配置 7__eol__2.1.1 R语言的获取和安装 8__eol__2.1.2 RStudio的获取和安装 9__eol__2.2 界面与菜单 12__eol__2.2.1 RGui界面 12__eol__2.2.2 RStudio界面 12__eol__2.3 变量与数据类型 15__eol__2.3.1 变量 15__eol__2.3.2 数据类型 15__eol__2.4 数据结构 17__eol__2.4.1 向量 17__eol__2.4.2 数组 19__eol__2.4.3 矩阵 21__eol__2.4.4 列表 22__eol__2.4.5 数据框 23__eol__2.4.6 因子 25__eol__2.5 控制语句 26__eol__2.5.1 条件语句 26__eol__2.5.2 循环语句 28__eol__2.6 函数 30__eol__2.6.1 内置函数 30__eol__2.6.2 自定义函数 33__eol__第3章 数据预处理 35__eol__3.1 数据表的基本操作 35__eol__3.1.1 数据表保存 35__eol__3.1.2 数据表读取 37__eol__3.1.3 选取子集 40__eol__3.1.4 连接数据库 42__eol__3.2 数据分组、分割、合并和变形 44__eol__3.2.1 数据分组 44__eol__3.2.2 数据分割 46__eol__3.2.3 数据合并 47__eol__3.2.4 数据变形 49__eol__3.3 缺失值、异常值、重复值处理 52__eol__3.3.1 缺失值 52__eol__3.3.2 异常值 59__eol__3.3.3 重复值 61__eol__3.4 数据类型的转换 62__eol__3.4.1 判断数据类型函数 62__eol__3.4.2 转换数据类型的函数 63__eol__3.5 提取字符 64__eol__3.5.1 截取字符 64__eol__3.5.2 正则表达式 65__eol__第4章 探索性数据分析 69__eol__4.1 描述性统计方法 69__eol__4.1.1 常用统计指标 69__eol__4.1.2 数据总结 70__eol__4.2 数据可视化 72__eol__4.2.1 箱线图 72__eol__4.2.2 直方图 74__eol__4.2.3 散点图 75__eol__4.2.4 饼图 77__eol__第5章 数据采集 80__eol__5.1 网络数据采集的原理 80__eol__5.1.1 网页通信的过程 80__eol__5.1.2 请求数据的方法 87__eol__5.1.3 网页的组成元素 88__eol__5.2 数据采集入门 90__eol__5.2.1 数据采集常用包概述 90__eol__5.2.2 数据采集前的准备 91__eol__5.2.3 编写第一个数据采集 92__eol__5.3 使用常用的R包采集数据 96__eol__5.3.1 使用RCurl包获取网络数据 96__eol__5.3.2 使用rvest包获取网络数据 98__eol__5.3.3 使用httr包获取网络数据 106__eol__5.4 爬虫限制处理 107__eol__5.4.1 解决IP限制问题 108__eol__5.4.2 验证码处理 109__eol__5.4.3 登录问题处理 110__eol__第6章 时间序列算法 111__eol__6.1 时间序列算法概述 111__eol__6.1.1 时序对象 113__eol__6.1.2 时序平滑处理 113__eol__6.1.3 时序季节性分解 116__eol__6.2 时序指数模型 118__eol__6.3 时序ARIMA模型 122__eol__第7章 线性回归算法 129__eol__7.1 一元线性回归模型 129__eol__7.2 多项式回归模型 131__eol__7.3 多元线性回归模型 133__eol__第8章 分类算法 136__eol__8.1 Logistic回归 136__eol__8.1.1 Logistic回归算法原理 137__eol__8.1.2 逻辑回归算法应用 139__eol__8.2 决策树 143__eol__8.2.1 决策树算法原理 143__eol__8.2.2 决策树算法应用 147__eol__8.3 支持向量机 150__eol__8.3.1 支持向量机算法原理 151__eol__8.3.2 支持向量机算法应用 155__eol__8.4 朴素贝叶斯 157__eol__8.4.1 贝叶斯定理 157__eol__8.4.2 最大似然估计 157__eol__8.4.3 朴素贝叶斯分类算法原理 158__eol__8.4.4 朴素贝叶斯分类算法应用 159__eol__8.5 人工神经网络 166__eol__8.5.1 人工神经网络的基本概念 166__eol__8.5.2 感知器和人工神经元模型 167__eol__8.5.3 前馈神经网络 168__eol__8.5.4 人工神经网络算法应用 169__eol__8.6 随机森林 177__eol__8.6.1 随机森林算法原理 177__eol__8.6.2 随机森林算法应用 178__eol__8.7 XGBoost算法 183__eol__8.7.1 XGBoost算法的原理 184__eol__8.7.2 XGBoost算法应用 187__eol__第9章 关联算法 189__eol__9.1 关联算法概述 189__eol__9.1.1 相关名词 190__eol__9.1.2 关联规则及频繁项集的产生 190__eol__9.2 Apriori算法 191__eol__9.2.1 Apriori算法概述 191__eol__9.2.2 先验原理 191__eol__9.2.3 连接步和剪枝步 192__eol__9.2.4 Apriori算法流程 193__eol__9.2.5 Apriori算法实例 193__eol__9.3 ECLAT算法 196__eol__9.3.1 ECLAT算法概述 196__eol__9.3.2 ECLAT算法流程 198__eol__9.3.3 ECLAT算法实例 198__eol__第10章 聚类算法 202__eol__10.1 聚类算法概述 202__eol__10.1.1 聚类算法的类型 202__eol__10.1.2 聚类算法评估的特点 202__eol__10.2 K均值聚类算法 203__eol__10.2.1 划分方法概述 203__eol__10.2.2 K均值聚类算法的优缺点 203__eol__10.2.3 K均值聚类算法的流程 203__eol__10.2.4 K均值聚类分析案例 204__eol__10.3 凝聚式层次聚类算法 205__eol__10.3.1 凝聚式层次聚类概述 205__eol__10.3.2 凝聚式层次聚类算法流程 207__eol__10.3.3 凝聚式层次聚类算法实例 209__eol__【应用案例1】景点舆情数据采集 211__eol__【应用案例2】旅游电商平台数据采集 218__eol__【应用案例3】旅游网站景点路线推荐 233__eol__【应用案例4】旅游城市和景点的负荷预测 236__eol__【应用案例5】精品旅行服务成单预测 239__eol__【应用案例6】航班延误预测 259__eol__