课程名称：
《数据分析与挖掘R语言十三式》
课程目标：
数据挖掘（R语言）从零开始，由浅入深，包括初级入门、中级进阶、高级提升和资深冲刺四个阶段，13套专业课程，从R语言基础、数据质量、数据可视化、数据挖掘、算法、机器学习等体系学习，介绍了R语言及数据分析与挖掘的各个技术细节。通过实际的案例演练，让学员真正体验数据挖掘与R的魅力。新手完全能够通过本课程学习，成长为优秀的R语言全栈专家。
课程特色：
录播课程自由学习，利用碎片化时间提升知识技能；
科学完整全套体系，从入门到轻松处理项目之所需；
资深名师悉心指导，解决学习问题并完成学习曲线；
理论实践互补结合，培养解决问题及独立研究能力。
课程建议：
如果你想从事数据分析和挖掘的工作，本课程是你不可或缺的要学习的内容，学习时，建议做好笔记，多敲代码，勤加练习，多和老师和同学交流，必可成为优秀的的数据从业人员。
主讲老师：
谢佳标
多届中国R语言大会演讲嘉宾；
目前为某游戏公司数据挖掘的负责人，带领团队对游戏数据进行深度挖掘，主要利用R语言进行*大数据的挖掘和可视化工作；
从事数据挖掘建模工作9年+，具有丰富的电商、电购、游戏、电力等行业经验，熟悉不同领域的数据特点，有丰富的利用R语言进行数据挖掘实战经验；
撰写《R语言与数据挖掘》、《R语言游戏数据分析》等书籍。
学习方式：
录播课程开课即学，可以自由选择学习时间；
在线反复观看，有效期2年，不定期公开课；
独享福利：VIP会员群+问答中心在线答疑。
课程大纲:
初级入门篇：（四个系列课程）
中级基础篇：（三个系列课程）
高级提升篇：（三个系列课程）
资深冲刺篇：（三个系列课程）
详细培训大纲:
第一阶段：R语言基础
第一课时：《R语言快速入门》
课程目的：学完本课程，掌握R及RStudio工具的安装及使用，了解R的工作空间和包，对数据结构、数据导入、基础绘图及描述性统计分析有个初步的了解。
课程介绍：
1、讲师自我介绍
2、课程大纲及常用分析工具介绍
3、R、RStudio and Rattle安装及介绍
4、新手上路
5、帮助、工作空间及包的介绍
6、数据对象向量详解
7、数据对象之矩阵和数据框
8、数据导入
9、R语言基础绘图
10、R语言描述性统计分析
第二课时：《R语言数据对象及数据基本管理》
课程目的：通过本课程学习，深入了解R语言不同数据对象创建及时间格式转换方法，掌握常用的数据管理技巧及会编写简单的分支和循环语句。
课程大纲：
第一章 数据对象
1、常用数据对象类型介绍
2、对象属性的判断和转换
3、日期变量及其常用函数介绍
4、查看对象的类型
5、向量创建及向量化操作详解
6、常用序列创建及索引向量介绍
7、因子的创建及储存原理
8、矩阵和数组的创建及应用
9、列表和数据框的创建
第二章 数据基本管理
1、数据基本管理知识点介绍及创建新变量
2、变量的重新编码
3、变量重命名
4、变量虚拟化处理详解
5、粘贴函数详解
6、转换函数transform介绍
7、排序函数（sort、order、rank）详解
8、选定特定行或者子集的subset函数详解
9、sqldf包介绍
第三章 循环及分支语句
1、分支语句详解
2、循环语句介绍
第三课时：《R语言数据导入导出》
课程目的：通过本课程学习，掌握文本文件、非结构化文件、excel文件的读入方式；掌握R语言与mysql数据库的连接方式及数据读取及操作；掌握quantmod包爬取金融数据的基本操作。
课程大纲：
1、课程大纲介绍
2、从键盘输入数据
3、利用RStuido导入数据
4、读入文本文件数据
5、将Excel数据读入R
6、利用foreign包读入spss、arff格式数据
7、利用RODBC包实现R与数据库连接
8、数据爬取之quantmod包介绍
9、利用其它方式爬取网络数据
第四课时：《数据描述性统计分析及数据抽样》
课程目的：通过本课程学习，掌握R语言常用的位置度量统计指标；深入探讨数据抽样，包括随机抽样函数sample及等比例抽样函数createDataParation函数的使用；运用SMOTE函数进行类失衡问题处理等等。
课程大纲：
第一章 描述性统计分析
1、课程大纲及描述性统计分析简介
2、均值函数的介绍及参数trim详解
3、mean函数的na.rm参数及weighted.mean函数介绍
4、median函数详解
5、百分位数quantile函数详解
第二章 数据抽样
1、数据抽样的必要性及常用场景
2、类失衡函数SMOTE详解
3、数据随机抽样sample函数
4、利用sample函数实现等比抽样
5、creatDataPartition函数介绍
6、用于交叉验证的样本抽样-creatFolds函数
7、数据标准化- preProcess()函数
第五课时：《R语言绘图基础》
课程目的：通过本课程学习，掌握R常用图形参数（颜色、点、线、文字）；低级绘图函数（标题、图例、坐标轴、点、线） 以及基础包中常用高级绘图函数的用法。
课程大纲：
第一章 绘图参数设置
1、R语言绘图基础及颜色参数col详解
2、主题配色函数详解
3、RColorBrewer颜色扩展包详解
4、文字元素相关参数设置详解
5、点元素相关参数设置详解
6、线元素相关参数设置详解
第二章 低级绘图函数
1、标题设置详解
2、坐标轴axis函数详解
3、图例函数legend详解
4、网格线grid、点point、文字text函数介绍
5、线函数abline、lines详解
第三章 基础包中高级绘图函数
1、基础包中 常见绘图函数
2、散点图、散点图矩阵、高密度散点图、三维散点图以及气泡图详解
3、线图、点图、直方图、核密度图、箱线图
第六课时：《R语言之高级绘图》
课程目的：通过本课程学习，灵活应用lattice包、ggplot2包对复杂数据进行可视化；掌握常用的数据可视化交互包rCharts、recharts、rborkeh、plotly等包的安装及使用。
课程大纲：
第一章 ggplot2绘图系统
1、ggplot2原理及qplot函数介绍
2、ggplot常用函数及案例演示
3、ggplot绘制散点图、柱状图、直方图演示
4、ggthemes主题包介绍
第二章 lattice绘图系统
5、lattice包小例子
6、图形参数设置
7、条件变量
8、面板函数
9、分组变量
10、lattice高级绘图函数介绍
11、条形图barchart函数详解
12、点图dotplot函数详解
13、直方图histogram、核密度图densityplot和带状图stripplot函数介绍
14、QQ图qqmath和qq函数、箱线图bwplot、散点图xyplot、散点图矩阵splom函数介绍
15、lattice包中三维图绘制介绍
第三章 交互式绘图
16、rCharts包安装及小例子演示
17、nPlot函数绘制柱状图和条形图
18、利用nPlot函数绘制饼图和散点图
19、hPlot和mPlot函数介绍和案例演示
20、recharts包介绍及散点图案例演示
21、recharts绘制条形图雷达图和中文数据测试
22、rbokeh包介绍及案例演示
23、plotly包介绍及案例演示
24、其他交互包的介绍
第七课时：《R语言之数据探索》
课程目的：通过本课程学习，理解数据质量分析的重要性；掌握缺失值高级处理的方法；通过数据分析手段分析异常值以及研究连续性变量间的相关性。
课程大纲：
1、数据质量
数据质量分析理论知识
课程大纲及数据缺失值产生原因介绍
缺失值的影响和简单分析
2、异常值的处理方法介绍
缺失值处理的高级方法
缺失值处理的步骤和常用方法介绍
识别缺失值（na和complete.cases函数详解）
3、md.pattern函数详解
4、探索缺失值模式：aggr函数详解
5、缺失值处理：行删除和利用缺失值进行替换
6、利用线性回归和随机森林对缺失值进行插补
异常值处理
质量控制图qcc函数详解
利用stats函数识别异常值2
7、利用K-Means聚类识别异常值
相关性分析
相关性分析的常用方法
散点图矩阵详解
求相关系数值及可视化
第二阶段：R语言模型篇
第八课时：《数据挖掘算法之统计模型篇》
课程目的：通过本课程学习，掌握常用经典挖掘算法：线性回归、降维技术、聚类分析及关联规则的基本原理及R语言实现；并通过案例带领大家进行实战。
课程大纲：
线性回归及广义线性回归模型
线性回归基本原理
一元线性回归
多元线性回归
回归诊断
广义线性回归模型基本原理
Logit回归
降维技术
主成分分析的基本原理
主成分分析的R语言实现
案例：利用主成分分析构建股票市场指数
因子分析的基本原理
因子分析的R语言实现
案例：对洛杉矶街区数据进行因子分析
对应分析的基本原理
对应分析的R语言实现
案例：游戏玩家购物喜欢的对应分析
聚类分析
距离的计算方法：dist函数
常用聚类分析的原理：K-Means聚类、层次聚类的实现原理详细介绍
常用聚类分析的R语言实现
案例：对鸢尾花数据集进行K-Means聚类
案例：对汽车数据集进行K-Means聚类
案例：对洛杉矶街区数据进行层次聚类
案例：对汽车数据集进行层次聚类
关联规则
关联规则的基本概念：关联规则的原理及Apriori算法介绍
关联规则的R语言实现
关联规则可视化-arulesViz包介绍
案例：利用超市购物篮Groceries数据进行关联规则分析
第九课时：《数据挖掘算法之机器学习篇》
课程目的：通过本课程学习，掌握常用机器学习算法：KNN近邻算法、朴素贝叶斯算法、决策树算法已经组合算法的基本原理及R语言实现。
课程大纲：
KNN近邻分类算法
KNN近邻算法基本原理介绍
KNN近邻算法R语言实现
案例：对iris数据集进行knn分类
案例：对乳腺癌数据集wisc_bc_data进行knn分类
朴素贝叶斯分类
朴素贝叶斯分类算法原理
朴素贝叶斯算法的R语言实现
案例：对数据集PimaIndiansDiabetes进行分类
案例：利用朴素贝叶斯分类对文本数据进行分类
决策树算法
理解决策树基本原理
不同决策树算法的核心理念
不同决策树算法的R语言实现
案例：利用不同的决策树算法对鸢尾花数据集进行分类预测
案例：利用不同的决策树算法对汽车数据集进行分类预测
应用组合算法进行分类
为什么要用组合算法
常用组合算法的原理介绍
不同组合算法的R语言实现
案例：对胎心宫缩监护数据的胎儿状态分类进行研究
案例：对汽车数据集中的用户满意度状态进行研究
第十课时：《数据挖掘算法之模型评估篇》
课程目的：通过本课程学习，掌握常用的模型评估方法：混淆矩阵、ROC曲线、K折交叉验证等。
课程大纲：
混淆矩阵
深入了解混淆矩阵
使用混淆矩阵度量性能
ROC曲线
ROC曲线的理论知识
ROC曲线的R绘制方法
利用caret包比较ROC曲线
基于K折交叉验证方法
K折交叉验证基本原理
利用e1071包完成交叉验证
利用caret包完成交叉验证
第三阶段：R语言进阶篇
第十一课时：《数据挖掘可视化工具：Rattle篇》
课程目的：通过本课程学习，掌握Rattle工具的基本操作，实现快速完成数据探索、数据预处理、数据建模、模型评估等数据挖掘工作。
课程大纲：
Rattle介绍及安装
Rattle简介
Rattle介绍
功能预览
数据导入Rattle
导入csv格式数据
导入txt格式数据
导入ARFF数据
导入ODBC数据
导入其他数据
数据探索
数据总体概要
数据分布探索（数据可视化）
数据相关性分析
数据主成分分析
交互图
数据建模及模型评估
聚类分析
关联规则
决策树
随机森林
模型评估
第十二课时：《利用shiny快速搭建数据挖掘平台原型》
课程目的：通过本课程学习，掌握shiny及shinydashboard包的知识点，通过实际案例详解让学员达到自行搭建网页app应用的能力。
课程大纲：
第一章 利用shiny包快速搭建数据分析平台原型
shiny包介绍
shiny包搭建web网页原理
shiy框架介绍
常用控件介绍
案例详细介绍
第二章 利用shinydashboard包快速搭建BI平台
shinydashboard包介绍
shinydashboard框架介绍
常用函数介绍
案例：快速搭建数据分析平台原理
输出lattice包、ggplot2等常规图形
输出rCharts包、DT包、networkD3包等交互图形
第三章 在平台输出模型结果：关联分析规则可视化&聚类分析结果可视化
案例：用户细分及付费预测平台
平台基本功能介绍
平台框架搭建
代码详解
第四章 案例渠道用户打分平台
平台基本功能介绍
平台框架搭建
代码详解
第十三课时：《行业案例分享》
课程目的：通过本课程学习，提升知识点综合应用能力。通过不同行业案例的分享，掌握数据挖掘在实际业务数据中的方法论，达到举一反三，进而能将挖掘技术应用到自己实际数据中去。
课程大纲：
第一章 案例：对玩家付费行为进行预测
对玩家物品购买关联分析
基于玩家物品的智能推荐
玩家社会网络分析
第二章 案例：航空公司客户价值分析
背景与挖掘目标
分析方法与过程
数据探索分析
数据预处理
模型构建
模型应用
第三章 案例：基于数据挖掘技术的市财政收入分析预测模型
背景与挖掘目标
分析方法与过程
数据探索分析
数据预处理
模型构建
模型应用
第四章 案例：预测股票市场收益
问题描述与目标
定义预测任务
预测模型
模型评价和选择
第五章 案例：侦测欺诈交易
问题描述与目标
定义数据挖掘任务
计算离群值的排序
第六章 案例：客户回复预测与效益最大化
问题描述与目标
数据探索
训练决策树
模型评估
选择最有决策树
评分
友情提示：
1、PC端如果发现浏览器无法观看课程，建议使用谷歌浏览器观看；移动端建议直接微信打开课程页面。
2、如果购买后下次登录提示课程需要重新购买，一般是因为你把登录账户记成你绑定的手机或者邮箱帐号而混淆了。
3、【在微信购买课程的用户注意】请微信收藏课程页面或者关注微信公众号：天善智能（点“我的”即可查看你已购买的课程），已方便下次学习。
4、课程相关资料&QQ会员群可在课程PC端公告查看下载。
5、加入学习后请添加客服微信：tianshansoft08（请注明：数据分析师八大能力培养），邀请你加入微信VIP群与老师&同学交流讨论。（如果已经是天善一号或者天善六号的微信好友，请直接私信他们）
