下载文档原格式
教你用R实现第一个机器学习项目_光环大数据推出AI智客计划送2000助学金你是否想要用R做机器学习，但又苦恼于怎么开始做？在这篇文章里你将会用R完成你的第一个机器学习项目。
在这个逐步教程里，你需要做：1 下载和安装R并且获取用做机器学习非常有用的R包。
2 导入一个数据集并且用统计分析和数据可视化来理解它的结构。
3 创建5个机器学习模型，选择最好和建立精度是可靠的置信。
如果你是一个机器学习新手，而且还在找一个你最终会选择的方案来学习机器学习的话，这个教程就是针对你设计的。
让我们现在开始吧。
怎样用R开始你的机器学习？学习机器学习最好的方法就是设计并实现一系列小项目。
初学R的时候你可能回觉得这有点可怕R在编写脚本时所提供的语法结构是比较奇怪的。
这里有几百个R包和几千个函数让你选择，给每个任务提供了多种解决方法，所以这会让你感到有点吃不消。
所以说，在R上开始机器学习最好的方法就是要完成一个项目。
1 这需要你安装并开始学习使用R（至少会一点点）。
2 它能给你更开阔的视角来理解如何一步步进行机器学习。
3 它会给你自信，来源于你完成一个小项目的成就感。
入门的人需要完成一个端对端的项目光看书或课程会让你觉得很吃不消，它们给你提供的是一系列的解决方法和代码段，但是，你永远都不知道怎样把他们综合起来使用。
当你要把机器学习运用到你的数据集的时候，其实你就是在做一个项目。
一个机器学习项目可能不是线性的，但是，有些有用的方法你可以按顺序的遵循：1定义问题2 准备好数据3 评估算法4 改良结果5 展示最终结果如果你想要了解更多关于机器学习的步骤，你可以查阅这一清单，这一清单对这个过程讲的更详细。
与一个新的平台或工具达成协议的最好方法就是完成端对端的机器学习项目，并按照之前给的步骤执行。
也就是说，从载入数据开始，然后汇总你的数据，接下来评估你的算法，同时改良你的结果，并在最后作适当的展示。
如果你是这么做的话，你就会在你处理完数据以后，有了一个模板来对新的数据集进行研究。
SQL and R_光环大数据培训R平台及编程语言支持浩大的数据科学技术，他拥有几十年的的历史和超过7000个包，这挂在CRAN的包纷杂的让你无法决定从哪里入手。
R-Basics和Visualizing Data with R提供了基础的指导，但是没有详细介绍如何用R操作数据集。
幸运的是，数据库专业人员可以通过他们的精湛的SQL技术，短时间内在这个领域变得更有效率。
如你所愿，R支持使用SQL检索中心位置的关系数据库中的数据。
然而，一些R包允许你超出这领域创建介于处理和分析数据之间的集席数据集的飞速查询，而不管数据的来源和最终目标。
在这文章，我们将会看到一些使用不同R包，来通过SQL处理数据的方法。
微软收购Revolution Analytics太让人兴奋了，这随后会导致R被纳入SQLServer 2016.。
SQLServer 2016有预览功能，但是它在发布之前仍然会有修改，Simple-talk充斥着大量聚焦SQLServer的优秀文章。
一旦这发布细节被确定下来，你可以期待更多后续的声明R在SQLServer的应用的文章。
但是由于现在最终版本尚不可用，Simple-Talky已经通过 SQL Server Access from R做了介绍，这文章将展示开源的R在Rstudio环境上使用SQL和其他的关系数据库。
SQL的部分吸引人的地方在于他能在许多不同产品上应用。
大量的技术专业人员发现他们必须支持和交互化大范围的开源和商业化技术。
除了非开源有特定性能和拓展，SQL实现跨越比较标准，所以它的使用将在这里作为典型将会被目前只使用SQLServer的人熟悉。
这文章将会包含两个数据库介绍，SQLite（一个小的巨大的数据库等供应商、SQLServer的竞争对手。
RODBC的使用已经被Simple-Talk的文章–‘Making Data Analytics Simpler: SQL Server and R’所涵盖RSQLite包SQLite是世界上部署最广泛的数据库。
R语言知识体系概览_光环大数据培训机构最近遇到很多的程序员都想转行到数据分析，于是就开始学习R语言。
总以为有了其他语言的编程背景，学习R语言就是一件很简单的事情，一味地追求速度，但不求甚解，有些同学说2周就能掌握R语言，但掌握的仅仅是R语言的语法，其实这只能算是入门。
R语言的知识体系并非语法这么简单，如果都不了R的全貌，何谈学好R语言呢。
本文将展示介绍R语言的知识体系结构，并告诉读者如何才能高效地学习R语言。
1.R的知识体系结构R语言是一门统计语言，主要用于数学建模、统计计算、数据处理、可视化等几个方向，R语言天生就不同于其他的编程语言。
R语言封装了各种基础学科的计算函数，我们在R语言编程的过程中只需要调用这些计算函数，就可以构建出面向不同领域、不同业务的、复杂的数学模型。
掌握R语言的语法，仅仅是学习R语言的第一步，要学好R语言，需要你要具备基础学科能力(初等数学，高等数学，线性代数，离散数学，概率论，统计学) + 业务知识(金融，生物，互联网) + IT技术(R语法，R包，数据库，算法) 的结合。
所以把眼光放长点，只有把自己的综合知识水平提升，你才真正地学好R语言。
换句话说，一旦你学成了R语言，你将是不可被替代的。
1.1 R的知识体系结构概览R的知识体系结构是复杂的，要想学好R，就必须把多学科的知识综合运用，所以最大的难点不在于语言本身，而在于使用者的知识基础和综合运用的能力。
首先，从宏观上让我们先看一下R的知识体系结构的全貌，然后再分别解释每个部分的细节。
注：此图仅仅是我对R语言的理解，不排除由于个人阅历有限，观点片面的问题。
图中我将R语言知识体系结构分为3个部分：IT技术 + 业务知识 + 基础学科。
IT技术：是计算时代必备的技术之一，R语言就是一种我们应该要掌握技术。
业务知识：是市场经验和法则，不管你在什么公司，都会有自己的产品、销售、市场等，你要了解你的公司产品有什么，客户是谁，怎么才能把产品卖给你的客户。
R语言快速入门_光环大数据培训机构应广场君之邀，简单介绍下R语言的基本操作（是真的很简单的介绍~）。
具体内容包括：1.基本介绍（关于R语言的一些常识）2.数据操作（包括数据的属性、赋值、引用，和简单的数据处理以及外来数据的读取和写入）3.控制流（即循环）注：能力有限，只针对新手作快速入门的简单介绍，使其迅速使用R做简单模拟，所以不会涉及一些不常用的操作（至少我从来没用过和很少用的）。
如有疑问可提出，共同探讨学习。
在结束之前请勿插楼~ 有问题在楼中楼回复，3Q~ R语言的下载地址（Windows版本）：/mirrors/CRAN/ 具体点哪里我就不多说了，你应该可以看见一个高亮加粗的“install R for the first time”。
一、基本介绍：1. 警告：在输入命令前请切换到英文模式。
否则你的一大段代码可能因为一个中文状态的括号而报错，R语言的报错并不智能无法指出错误的具体位置。
最可怕的是不报错但就是无法输出正确结果。
2. 警告：R语言区别大小写，所以对象A与对象a并不一样，在调用函数、R包时也要注意大小写。
3. R软件由R包组成，每个包里有各种函数。
命令“library()”【注意输入命令时不包含双引号，下同】查看原装的几十个R包列表。
对于非原装的R包，可以通过命令“install.packages（’RCurl’）”【其他包把名字把RCurl替换就是了，注意不要忘了括号里的引号】，选择任意镜像安装RCurl包。
以后在调用此包的函数之前应先输入命令“library（RCurl）”【原装包的中函数不需要此命令】4. 打开R软件，光标左侧的“>”符号表示等待输入，“+”表示承接上一行的代码。
如果一句代码很长，可敲击回车继续输入。
而当你输入完毕回车无输出结果并显示“+”时，很可能是你少输入了一个括号5. R语言中“<-”表示赋值，如“x <- 3”表示赋予对象x的值为3。
R语言建立回归分析_光环大数据培训机构使用R对内置longley数据集进行回归分析，如果以GNP.deflator作为因变量y，问这个数据集是否存在多重共线性问题？应该选择哪些变量参与回归？答：## 查看longley的数据结构str(longley)## ‘data.frame’: 16 ob s. of 7 variables:## $ GNP.deflator: num 83 88.5 88.2 89.5 96.2 …## $ GNP : num 234 259 258 285 329 …## $ Unemployed : num 236 232 368 335 210 …## $ Armed.Forces: num 159 146 162 165 310 …## $ Population : num 108 109 110 111 112 …## $ Year : int 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 …## $ Employed : num 60.3 61.1 60.2 61.2 63.2 …longly数据集中有7个变量16个观测值，7个变量均属于数值型。
首先建立全量回归模型lm1 <- lm(GNP.deflator ~ ., data = longley)summary(lm1)## Call:## lm(formula = GNP.deflator ~ ., data = longley)#### Residuals:## Min 1Q Median 3Q Max## -2.009 -0.515 0.113 0.423 1.550#### Coefficients:## Estimate Std. Error t value Pr(>|t|)## (Intercept) 2946.8564 5647.9766 0.52 0.614## GNP 0.2635 0.1082 2.44 0.038 *## Unemployed 0.0365 0.0302 1.21 0.258## Armed.Forces 0.0112 0.0155 0.72 0.488## Population -1.7370 0.6738 -2.58 0.030 *## Year -1.4188 2.9446 -0.48 0.641## Employed 0.2313 1.3039 0.18 0.863## —## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1#### Residual standard error: 1.19 on 9 degrees of freedom## Multiple R-squared: 0.993, Adjusted R-squared: 0.988建立的模型结果是令人沮丧的，6个变量的显著性p值只有两个有一颗星，说明有些变量不适合用于建模。
R语言画曲线图_光环大数据 Python培训机构(0)加载数据data<-read.csv(“E://MyDocument//p//Data//1950~2010火灾情况.csv”) x=t(data[1])y=t(data[2])z=t(data[3])w=t(data[4])maxy=max(y)maxz=max(z)maxw=max(w)(1)将火灾数、直接损失、死伤人数，分别按年份作图red”,main=”1950年到2010年火灾年度统计”,pch=c(15))plot(x,z,type=”o”,xlab=”年份”,ylab=”经济损失(万元)”,ylim=c(0,maxz),col=”blue”,main=”1950年到2010年火灾经济损失年度统计”,pch=c(16))plot(x,w,type=”o”,xlab=”年份”,ylab=”死伤人数”,ylim=c(0,maxw),col=”green”,main=”1950年到2010年火灾死伤人数年度统计”,pch=c(17))注：x,y为图中的x轴和y轴,type设置图形中数据的显示类型，常见的有：type=”p ”在图形中数据显示为点；type=”l ”在图形中数据显示为线；type=”b”在图形中数据显示为点和连接线；type=”o”在图形中数据点覆盖在线上；type=”h”在图形中数据显示为从点到x轴的垂直线；type=”s”在图形中数据显示为阶梯图；xlab和ylab分别表示x轴和y轴的说明，ylim为控制y轴的范围，col为线条的颜色，main为图的主标题，pch为数据点的显示符号，可取1到25的整数以及“”中的符号：(2)将火灾数、直接损失、死伤人数画在一个图里> plot(x,y,type=”o”,xlab=”年份”,ylab=””,ylim=c(0,maxy),col=”red”,main=”1950年到2010年火灾年度统计”,pch=c(15)) #画火灾数曲线> lines(x,z,type=”o”,col=”blue”,pch=c(16)) #追加经济损失曲线> lines(x,w,type=”o”,col=”green”,pch=c(17)) #追加死伤人数曲线(3)增加加图列legend(“topleft”,c(“火灾(起)”,”经济损失(万元)”,”死伤人数”),col=c(“red”,”blue”,”green”),pch=15:17)为什么大家选择光环大数据！大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
怎样学习R（下）_光环大数据培训机构数据操作把原始数据转换成具有一定结构的数据对于健壮性分析是很重要的，对是数据符合处理也是很重要的。
R有很多的构建函数对原始数据进行处理，但是不是每个时候都能轻而易举的使用它们。
幸运的是，有几个R包可以提供很大的帮助：tidyr包允许你对数据进行整理，而数据的整理就是看哪一列的数据是变量，同时观察每一行的结果，其本身会把你原来得到的数据转换成易于操作的数据。
查看这些不错的资源，你会知道怎样使用tidyr包进行数据的整理。
如果你想进行字符串的操作，你应该学着怎样用stringr包，其中的小插图展示的易于理解，而且提供了各种例子供你入门学习。
dplyr包在处理数据框的对象（在内存和外存中）的时候是一个非常棒的包，而且结合了直观形式的语法结构以加快运行速度。
如果想要深入学习dplyr 包，你可以在这里收听一下数据操作的课程，同时也可以查阅一下这张小抄。
当你在执行一个繁重的争论任务的时候，data.table包将是你的好帮手。
它的运行速度极其的快，而且一旦你掌握了这种语法结构，你会发现我每时每刻都在使用data.table包。
可以上一下数据分析这门课（来发现data.table 包的具体细节，你也可以用这张小抄作为辅助资料。
你是否一直在寻找着能在某个时刻使用时间和数据的机会？这个过程注定是痛苦的，但是幸运的是，lubridate包让这样的过程变得简单一些。
查看它的小插图可以让你怎样在你的逐日分析中使用lubridate包。
基本R包只能在有限条的性能中处理时间序列数据。
幸运的是，这里有zoo、xts和quantmod包。
查阅一Eric Zivot写的教材可以让你更容易明白怎样使用这些包，而且也让你更容易处理R中的时间序列数据。
如果你想对R的数据操作进行一个大概的总结的话，更多相关细节可以阅读Data Manipulation with R这本书，或者是RStudio提供的Data Wrangling with R视频教程。
R时代，你要怎样画地图_光环大数据培训1、画世界地图如果是首次使用，需要在R中装载maps包（install.packages('maps')），这个包中存有世界地图和美国地图的地图数据，所以，几行代码便可以画出世界地图。
代码如下：library(maps)map("world", fill = TRUE, col = rainbow(200), ylim = c(-60, 90), mar = c(0, 0, 0, 0))title("世界地图")输出为：无比绚丽的世界，引无数骚客竞折腰啊……2、画美国地图同样在maps包中包含了美国地图和美国各州郡的详细地图数据，同样的，也可以用简单的代码画出美国地图，便于我们使用。
代码如下：0, 2, 0))title("美国地图")输出为：整体形状这是像啥啊，山姆大叔……对于美国地图，该包提供画出指定几个州的图，比如这里只画出New York, New Jersey, Penn三州的地图：代码如下：library(maps)map('state', region = c('new york', 'new jersey', 'penn'), fill = TRUE, col = rainbow(3), mar = c(2, 3, 4, 3))title("美国三州地图")输出结果为：三州鼎力！！3、画中国地图上述的maps包中并没有中国地图的数据，在另外一个包mapdata中有中国地图的数据（比较旧的数据）。
代码如下：library(maps)library(mapdata)map("china", col = "red4", ylim = c(18, 54),panel.first = grid())title(" 中国地图")输出为：哭，重庆在哪里，重庆在哪里？？好，我们来强力介绍ggmap包，先来说下该包让我惊讶的几个命令：1、geocode()比如：> geocode("Beijing") lon lat1 116.4075 39.90403这大哥可以返回一个地方的经纬度，那我再调戏之：> #这意思就是大哥你多给点！！> geocode("Renmin University of China",output = "more") lon lat type loctype1116.3184 39.96998 point_of_interest approximate address1 renmin university of china, 59号 zhongguancun street, haidian,beijing, china, 100086 north south east westpostal_code country1 39.97853 39.96142 116.3345 116.3024 100086china administrative_area_level_2 administrative_area_level_1locality1 <NA> beijingbeijing street streetNo point_of_interest1zhongguancun street NA renmin university of chinaquery1 Renmin University of China信息给多了，我说几个点，不但有人民大学的经纬度，还有该大学的详细地址（中国人民大学，中关村大街59号，海淀，北京，中国），还有邮编好吧100086！！！！但是好像跟我们实际的100872有差距（倒是跟10086很接近啊），但是它确实是返回了邮政编码，还有zhongguancun street就不说了……这完全就是返回的Google地图存储的人民大学的信息啊……2、mapdist()第二个颠颤颤的命令式mapdist()。
R语言简介_光环大数据培训工欲善其事，必先利其器，作为一个战斗在IT界第一线的工程师，C/C++、java、perl、python、ruby、php、javascript、erlang等等等等，你手中总有一把使用自如的刀，帮助你披荆斩棘。
应用场景决定知识的储备与工具的选择，反过来，无论你选择了什么样的工具，你一定会努力地把它改造成符合自己应用场景所需的那个样子。
从这个道理来说，我选择了R[1]作为数据挖掘人员手中攻城陷池的那把云梯，并努力地把它改造成自己希望的那个样子。
关于R的一个比较准确的描述是：R是一门用于统计计算和作图的语言，它不单是一门语言，更是一个数据计算与分析的环境。
统计计算领域有三大工具：SAS、SPSS、S，R正是受S语言和Scheme语言影响发展而来。
其最主要的特点是免费、开源、各种各样的模块十分齐全，在R的综合档案网络CRAN中，提供了大量的第三方功能包，其内容涵盖了从统计计算到机器学习，从金融分析到生物信息，从社会网络分析到自然语言处理，从各种数据库各种语言接口到高性能计算模型，可以说无所不包，无所不容，这也是为什么R正在获得越来越多各行各业的从业人员喜爱的一个重要原因。
从R的普及来看，国外的普及度要明显好于国内，跟盗版windows的泛滥会影响linux在中国的普及一样的道理，破解的matlab与SPSS的存在也影响了R 在中国的使用人群。
但在国外高校的统计系，R几乎是一门必修的语言，具有统治性的地位。
在工业界，作为互联网公司翘楚的google内部也有不少的工程使用R进行数据分析工作，这里[2]有一个google campus的讲课视频，内容就是用R作为工具来讲述数据挖掘的概念与算法。
随着近年来R使用者的增加，关于R的报道也屡有见于报端，如2009年初美国纽约时报就有一篇很好的报道：Data Analysts Captivated by R’s Power[3]。
报道中述说了R的发展历史以及由于数据挖掘需求的增长而日益普及的现状，它虽源于S但其发展却远远地超过了S，已经成为高校毕业学生所选用的第二大工具语言，google与Pfizer的员工也介绍了R在自己公司中的应用。
大数据培训班_光环大数据分享大数据学习路线图任何学习过程都需要一个科学合理的学习路线，才能够有条不紊的完成我们的学习目标。
大数据所需学习的内容纷繁复杂，难度较大，有一个合理的大数据学习路线图帮忙理清思路就显得尤为必要。
一、Java语言以java语言为基础掌握面向对象编程思想所涉及的知识，以及该知识在面向对象编程思想中的应用，培养学生设计程序的能力。
掌握程度：精通。
二、数据结构与算法掌握基于JAVA语言的底层数据结构和算法原理，并且能够自己动手写出来关于集合的各种算法和数据结构，并且了解这些数据结构处理的问题和优缺点。
掌握程度：熟练。
三、数据库原理与MYSQL数据库掌握关系型数据库的原理，掌握结构化数据的特性。
掌握关系型数据库的范式。
通过MYSQL数据库掌握通过SQL语言与MYSQL数据库进行交互。
熟练掌握各种复杂SQL语句的编写。
掌握程度：熟练。
四、LINUX操作系统全面了解LINUX。
详解LINUX下的管理命令、用户管理、网络配置管理等。
掌握SHELL脚本编程，能够根据具体业务进行复杂SHELL脚本的编写。
掌握程度：精通。
五、Hadoop技术学习Hadoop技术的两个核心：分布式文件系统HDFS和分布式计算框架MapReduce。
掌握MR的运行过程及相关原理，精通各种业务的MR程序编写。
掌握Hadoop 的核心源码及实现原理。
掌握使用Hadoop进行海量数据的存储、计算与处理。
掌握程度：精通。
六、分布式数据库技术:精通分布式数据库HBASE、掌握Mongodb及了解其它分布式数据库技术。
精通分布式数据库原理、应用场景、HBASE数据库的设计、操作等，能结合HIVE 等工具进行海量数据的存储于检索。
掌握程度：精通。
七、数据仓库HIVE精通基于hadoop的数据仓库HIVE。
精通HIVESQL的语法，精通使用HIVESQL进行数据操作。
内部表、外部表及与传统数据库的区别，掌握HIVE的应用场景及Hive与HBase的结合使用。
R语言学习路线图_光环大数据培训
现在对R感兴趣的人越来越多，很多人都想快速的掌握R语言，然而，由于目前大部分高校都没有开设R语言课程，这就导致很多人不知道如何着手学习R 语言。
对于初学R语言的人，最常见的方式是：遇到不会的地方，就跑到论坛上吼一嗓子，然后欣然or悲伤的离去，一直到遇到下一个问题再回来。
当然，这不是最好的学习方式，最好的方式是——看书。
目前，市面上介绍R语言的书籍很多，中文英文都有。
那么，众多书籍中，一个生手应该从哪一本着手呢？入门之后如何才能把自己练就成某个方面的高手呢？相信这是很多人心中的疑问。
有这种疑问的人有福了，因为笔者将根据自己的经历总结一下R语言书籍的学习路线图以使Ruser少走些弯路。
本文分为6个部分，分别介绍初级入门，高级入门，绘图与可视化，计量经济学，时间序列分析，金融等。
1.初级入门
《An Introduction to R》，这是官方的入门小册子。
其有中文版，由丁国徽翻译，译名为《R导论》。
《R for Beginners》，这本小册子有中文版应该叫《R入门》。
除此之外，还可以去读刘思喆的《153分钟学会R》。
这本书收集了R初学者提问频率最高的153个问题。
为什么叫153分钟呢？因为最初作者写了153个问题，阅读一个问题花费1分钟时间，全局下来也就是153分钟了。
有了这些基础之后，要去读一些经典书籍比较全面的入门书籍，比如《统计建模与R软件》，国外还有《R Cookbook》和《R in action》，本人没有看过，因此不便评论。
最后推荐，《R in a Nutshell》。
2.高级入门
读了上述书籍之后，你就可以去高级入门阶段了。
这时候要读的书有两本很经典的。
《Statistics with R》和《The R book》。
之所以说这两本书高级，是因为这两本书已经不再限于R基础了，而是结合了数据分析的各种常见方法来写就的，比较系统的介绍了R在线性回归、方差分析、多元统计、R绘图、时间序列分析、数据挖掘等各方面的内容，看完之后你会发现，哇，原来R能做的事情这么多，而且做起来是那么简洁。
读到这里已经差不多了，剩下的估计就是你要专门攻读的某个方面内容了。
下面大致说一说。
3.绘图与可视化
亚里斯多德说，“较其他感觉而言，人类更喜欢观看”。
因此，绘图和可视化得到很多人的关注和重视。
那么，如何学习R画图和数据可视化呢？再简单些，如何画直方图？如何往直方图上添加密度曲线呢？我想读完下面这几本书你就大致会明白了。
首先，画图入门可以读《R Graphics》，个人认为这本是比较经典的，全面介绍了R中绘图系统。
该书对应的有一个网站，google之就可以了。
更深入的可以读《Lattice：Multivariate Data Visualization with R》。
上面这些都是比较普通的。
当然，有比较文艺和优雅的——ggplot2系统，看《ggplot2：Elegant Graphics for Data Analysis》。
还有数据挖掘方面的书：《Data Mining with Rattle and R》，主要是用Rattle软件，个人比较喜欢Rattle!当然，Rattle 不是最好的，Rweka也很棒！再有就是交互图形的书了，著名的交互系统是ggobi，这个我已经喜欢两年多了，关于ggobi的书有《Interactive and Dynamic Graphics for Data Analysis With R and GGobi》，不过，也只是适宜入门，更多更全面的还是去ggobi的主页吧，上面有各种资料以及包的更新信息！
特别推荐一下，中文版绘图书籍有谢益辉的《现代统计图形》。
4.计量经济学
关于计量经济学，首先推荐一本很薄的小册子:《Econometrics In R》，做入门用。
然后，是《Applied Econometrics with R》，该书对应的R包是AER，可以安装之后配合使用，效果甚佳。
计量经济学中很大一部分是关于时间序列分析的，这一块内容在下面的地方说。
5.时间序列分析
时间序列书籍的书籍分两类，一种是比较普适的书籍，典型的代表是：《Time Series Analysis and Its Applications ：with R examples》。
该书介绍了各种时间序列分析的经典方法及实现各种经典方法的R代码，该书有中文版。
如果不想买的话，建议去作者主页直接下载，英文版其实读起来很简单。
时间序列分析中有一大块儿是关于金融时间序列分析的。
这方面比较流行的书有两本《Analysis of financial time series》，这本书的最初是用的S-plus代码，不过新版已经以R代码为主了。
这本书适合有时间序列分析基础和金融基础的人来看，因为书中关于时间序列分析的理论以及各种金融知识讲解的不是特别清楚，将极值理论计算VaR的部分就比较难看懂。
另外一个比较有意思的是Rmetrics 推出的《TimeSeriesFAQ》，这本书是金融时间序列入门的东西，讲的很基础，但是很难懂。
对应的中文版有《金融时间序列分析常见问题集》，当然，目前还没有发出来。
经济领域的时间序列有一种特殊的情况叫协整，很多人很关注这方面的理论，关心这个的可以看《Analysis of Integrated and Cointegrated Time Series with R》。
最后，比较高级的一本书是关于小波分析的，看《Wavelet Methods in Statistics with R》。
附加一点，关于时间序列聚类的书籍目前比较少见，是一个处女地，有志之士可以开垦之！
6.金融
金融的领域很广泛，如果是大金融的话，保险也要被纳入此间。
用R做金融更多地需要掌握的是金融知识，只会数据分析技术意义寥寥。
我觉得这些书对于懂金融、不同数据分析技术的人比较有用，只懂数据分析技术而不动金融知识的
人看起来肯定如雾里看花，甚至有人会觉得金融分析比较低级。
这方面比较经典的书籍有：《Advanced Topics in Analysis of Economic and Financial Data Using R》以及《Modelling Financial Time Series With S-plus》。
金融产品定价之类的常常要用到随机微分方程，有一本叫《Simulation Inference Stochastic Differential Equations：with R examples》的书是关于这方面的内容的，有实例，内容还算详实!此外，是风险度量与管理类。
比较经典的有《Simulation Techniques in Financial Risk Management》、《Modern Actuarial Risk Theory Using R》和《Quantitative Risk Management：Concepts, Techniques and Tools》。
投资组合分析类和期权定价类可以分别看《Portfolio Optimization with R》和《Option Pricing and Estimation of Financial Models with R》。
7.数据挖掘
这方面的书不多，只有《Data Mining with R:learing with case studies》。
不过，R中数据挖掘方面的包已经足够多了，参考包中的帮助文档就足够了。
为什么大家选择光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
讲师团及时掌握时代的技术，将时新的技能融入教学中，让学生所学知识顺应时代所需。
通过深入浅出、通俗易懂的教学方式，指导学生较快的掌握技能知识，帮助莘莘学子实现就业梦想。
光环大数据启动了推进人工智能人才发展的“AI智客计划”。
光环大数据专注国内大数据和人工智能培训，将在人工智能和大数据领域深度合作。
未来三年，光环大数据
将联合国内百所大学，通过“AI智客计划”，共同推动人工智能产业人才生态建设，培养和认证5-10万名AI大数据领域的人才。
参加“AI智客计划”，享2000元助学金！
【报名方式、详情咨询】
光环大数据网站报名：
手机报名链接：http:// /mobile/。
