北京R語(yǔ)言數(shù)據(jù)分析課程培訓(xùn) 2021-04-15 11:16:06

模塊名稱

課程內(nèi)容

原始數(shù)據(jù)的探索與預(yù)處理

1. 度量數(shù)據(jù)集的集中程度

2. 度量數(shù)據(jù)集的分散程度

1) 極值，方差和標(biāo)準(zhǔn)差

2）標(biāo)準(zhǔn)誤和偏差系數(shù)，峰度系數(shù)

3. 創(chuàng)建一個(gè)數(shù)字摘要表

4. 異常值的觀測(cè)與說(shuō)明

1）利用箱線圖觀測(cè)異常值并處理

2）異常值檢測(cè)的其他情況和說(shuō)明

5. 缺失值的填補(bǔ)與處理

1）刪除缺失值或?qū)ζ溥M(jìn)行簡(jiǎn)單填補(bǔ)

2）按照相關(guān)性對(duì)空缺值進(jìn)行填補(bǔ)

R的數(shù)據(jù)可視化

1.  plot()函數(shù)和常用的圖形參數(shù)

1）設(shè)置plot()函數(shù)中的參數(shù)

2）修改散點(diǎn)圖的坐標(biāo)并加入標(biāo)注

2. 經(jīng)典的基礎(chǔ)圖形及用途

1）線圖

2)直方圖

3)箱線圖和莖葉圖

3. 將圖形組合起來(lái)

4. 更多的高水平作圖函數(shù)

5. 更多的常用作圖命令

R中參數(shù)的估計(jì)和檢驗(yàn)

1. 使用R進(jìn)行點(diǎn)估計(jì)和區(qū)間估計(jì)

1) 簡(jiǎn)單的點(diǎn)估計(jì)和區(qū)間估計(jì)

2 )估計(jì)單側(cè)置信區(qū)間

2. 與正態(tài)總體有關(guān)的參數(shù)檢驗(yàn)

3. 列聯(lián)表與獨(dú)立性檢驗(yàn)

4. 集中檢驗(yàn)數(shù)據(jù)分布的函數(shù)

5. 對(duì)非正態(tài)總體的區(qū)間估計(jì)和檢驗(yàn)

1）非正態(tài)總體的區(qū)間估計(jì)

2）非參數(shù)檢驗(yàn)中的符合檢驗(yàn)

3）非參數(shù)檢驗(yàn)中的秩檢驗(yàn)

R中的方差分析

1. 方差分析模型的建立

2  .單因素方差分析

1）單因素方差分析的數(shù)學(xué)思想與模型

2）檢驗(yàn)樣本是否滿足方差分析的假設(shè)條件

3）構(gòu)建單因素方差分析模型

3. 多因素方差分析

1）多因素方差分析的數(shù)學(xué)思想與模型

2）不考慮交互作用的雙因素方差分析

3）考慮交互作用的雙因素方差分析

4. 秩檢驗(yàn)和協(xié)方差分析

1）對(duì)控制變量應(yīng)用秩檢驗(yàn)方法

2）協(xié)方差分析的假設(shè)與應(yīng)用

R中的相關(guān)分析和回歸分析

1. 多種相關(guān)系數(shù)的計(jì)算和檢驗(yàn)

1）簡(jiǎn)單相關(guān)系數(shù)的計(jì)算和檢驗(yàn)

2）散步矩陣圖和偏相關(guān)系數(shù)

3）典型相關(guān)分析

2. 線性回歸分析及其常歸參數(shù)

1）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理

2）構(gòu)建個(gè)回歸模型

3）修正方程并檢驗(yàn)殘差

3. 使用逐步回歸篩選自變量

1）逐步回歸的思想與分類

2）構(gòu)建逐步回歸模型

4. 啞變量和邏輯回歸

1）啞變量和邏輯回歸的思想

2）向線性回歸模型中納入啞變量

更高級(jí)的數(shù)據(jù)可視化

1. 基礎(chǔ)圖形的擴(kuò)展與延伸

1）繪制分類散點(diǎn)圖并添加圖標(biāo)

2）繪制含多種類別的密度分布圖

3）復(fù)合條形圖和堆棧條形圖

2. 有關(guān)多元分布函數(shù)的特殊圖形

1）星圖和臉譜圖

2）輪廓圖

3）調(diào)和曲線圖

3.  建立最簡(jiǎn)單的3D圖形

4. 如何讓圖形更美觀

5. 更過(guò)的繪圖包和系統(tǒng)

R中的聚類分析和判別分析

1. 集中聚類分析的異同

2. 使用R實(shí)現(xiàn)KNN聚類

1）KNN算法的思想和模型

2）使用R實(shí)現(xiàn)KNN聚類

3. 使用R實(shí)現(xiàn)系統(tǒng)聚類

1）系統(tǒng)聚類的思想和模型

2）使用R實(shí)現(xiàn)系統(tǒng)聚類

4. 使用R實(shí)現(xiàn)快速聚類

1）快速聚類的思想和模型

2）使用R實(shí)現(xiàn)快速聚類

5. 集中判別分析模型綜述

1）距離判別模型

2）Fisher判別模型

R中的主成分分析和因子分析

1. 主成分分析的實(shí)現(xiàn)與應(yīng)用

1）主成分分析的模型假設(shè)和數(shù)據(jù)處理

2）構(gòu)造一個(gè)主成分分析模型

3)計(jì)算主成分的綜合得分

2. 因子分析的初次構(gòu)建與完善

1）構(gòu)造一個(gè)簡(jiǎn)單的因子分析模型

2）計(jì)算因子得分并分析

3. 對(duì)因子分析模型進(jìn)行修正

1）修改因子分析模型中的因子個(gè)數(shù)

2）基于主成分法和主軸因子法進(jìn)行因子分析

4. 在降維分析的基礎(chǔ)上進(jìn)行回歸分析和聚類分析

1）在降維分析的基礎(chǔ)上進(jìn)行回歸分析

2）在降維分析的基礎(chǔ)上進(jìn)行聚類分析

5. 決策樹(shù)

1）C4.5算法

2）CART算法

3）C5.0算法

R中的廣義線性回歸模型

1. 一般的廣義線性回歸模型

1） 使用二次函數(shù)擬合線性回歸模型

2） 擬合更多的廣義線性模型

3） 比較線性模型的優(yōu)劣

2.  Logistic線性回歸模型

1）Logistic模型的原理與構(gòu)建方法

2）Logistic模型的顯著性檢驗(yàn)和優(yōu)勢(shì)比

3）修正被警告的Logistic模型

3. 泊松回歸分析模型

1) 擬合個(gè)泊松回歸模型

2) 泊松回歸模型的過(guò)散布檢驗(yàn)

4. 廣義線性模型的交叉驗(yàn)證

R中的時(shí)間序列模型

1. 將數(shù)據(jù)轉(zhuǎn)換為時(shí)間序列格式

1) 使用ts()函數(shù)轉(zhuǎn)換數(shù)據(jù)格式并繪制時(shí)間序列曲線

2) 使用zoo()函數(shù)轉(zhuǎn)換數(shù)據(jù)格式并繪制時(shí)間序列曲線

2. 分解時(shí)間序列并檢驗(yàn)時(shí)間序列的自相關(guān)性

1) 使用經(jīng)典方法分解時(shí)間序列

2)  使用STL方法分解時(shí)間序列

3. 探究時(shí)間序列的自相關(guān)性

1) 使用月圖和季度圖探究自相關(guān)性

2) 使用散點(diǎn)圖探究自相關(guān)性

4. 構(gòu)建時(shí)間序列并預(yù)測(cè)

1) 均值預(yù)測(cè)，單純預(yù)測(cè)和漂移

2) 不考慮長(zhǎng)期趨勢(shì)和季節(jié)波動(dòng)的簡(jiǎn)單指數(shù)平滑

3) 在指數(shù)平滑中加入長(zhǎng)期趨勢(shì)和季節(jié)波動(dòng)

4) 自回歸移動(dòng)平均模型

R中的最優(yōu)化問(wèn)題

1. 最優(yōu)化問(wèn)題簡(jiǎn)述

2. 黃金分割法

1) 黃金分割法和局部最優(yōu)解

2) 使用R實(shí)現(xiàn)黃金分割法

3. 牛頓最優(yōu)化方法

1) 牛頓方法的算法原理

2) 在一維情形下實(shí)現(xiàn)牛頓迭代法

3) 在多維情形下實(shí)現(xiàn)牛頓迭代法

4. 最快上升法

1) 利用梯度求解上升最快的相鄰點(diǎn)

2) 構(gòu)建最快上升法函數(shù)并檢驗(yàn)

5.  R中最優(yōu)化函數(shù)

使用R繪制地理信息圖形

1. 繪制世界，國(guó)家，省市地圖

1) 使用map()函數(shù)繪制地圖

2) 另一種繪制地圖的方法

3) 分省市繪制地圖

2. 向地圖中添加顏色

1） 向地圖中添加顏色前的準(zhǔn)備工作

2） 在地圖上添加顏色

3. 向地圖上添加標(biāo)簽和線條

1） 向地圖中添加標(biāo)簽前的準(zhǔn)備工作

2） 在地圖上添加標(biāo)簽

3） 在地圖上添加線條

4. 使用其他格式的文件優(yōu)化地圖

使用R構(gòu)建支持向量機(jī)

1. 構(gòu)建一個(gè)簡(jiǎn)單的支持向量機(jī)

1) 支持向量機(jī)的算法原理

2) 構(gòu)建一個(gè)簡(jiǎn)單的支持向量機(jī)

3) 使用其他核函數(shù)構(gòu)建支持向量機(jī)

2. 優(yōu)化支持向量機(jī)的參數(shù)

1) 優(yōu)化參數(shù)degree

2) 優(yōu)化參數(shù)cost

3) 優(yōu)化參數(shù)gamma

3. 比較支持向量機(jī)與Logistic回歸的優(yōu)劣

4. 比較支持向量機(jī)和KNN聚類算法的優(yōu)劣

構(gòu)建電影評(píng)分預(yù)測(cè)模型

1. 獲取數(shù)據(jù)并探索

2. 利用recommenderlab包處理數(shù)據(jù)

3. 建立模型并評(píng)估

1) 模型的選擇與建立

2) 模型之間的比較和評(píng)估

貝葉斯垃圾郵件過(guò)濾器模型

1. 貝葉斯模型中的條件概率

2. 復(fù)雜的數(shù)據(jù)預(yù)處理過(guò)程

1) 利用for循環(huán)讀入多封郵件正文

2) 利用tm包進(jìn)一步轉(zhuǎn)換數(shù)據(jù)格式

3) 將TDM轉(zhuǎn)換成真正有用的數(shù)據(jù)框

3. 利用occurrece值構(gòu)造分類器

1) 完成理論準(zhǔn)備并處理測(cè)試郵件和普通郵件

2) 創(chuàng)建一個(gè)函數(shù)用于比較概率

可視化數(shù)據(jù)挖掘工具Rattle內(nèi)置

1. Rattle簡(jiǎn)介及其安裝

1) Rattle簡(jiǎn)介

2) Rattle安裝

2. 功能預(yù)覽

3. 數(shù)據(jù)導(dǎo)入

1) 導(dǎo)入CSC數(shù)據(jù)

2) 導(dǎo)入ARFF數(shù)據(jù)

3) 導(dǎo)入ODBC數(shù)據(jù)

4) R Dataset—導(dǎo)入其他數(shù)據(jù)源

5) 導(dǎo)入RData File數(shù)據(jù)集

6) 導(dǎo)入Library數(shù)據(jù)

4. 數(shù)據(jù)探索

1) 數(shù)據(jù)總體概況

2) 數(shù)據(jù)分布探索

3) 相關(guān)性

4) 主成分

5) 交互圖

5. 數(shù)據(jù)建模

1) 聚類分析

2) 關(guān)聯(lián)規(guī)則

3) 決策樹(shù)

4) 隨機(jī)深林

6. 模型評(píng)估

1) 混淆矩陣

2) 風(fēng)險(xiǎn)圖

3) ROC圖及相關(guān)圖表

4) 模型得分?jǐn)?shù)據(jù)集