有依据的决策对于成功至关重要。将正确的数据分析技术应用到精心筹备的业务数据中有助于做出准确预测、确定趋势，以及提前发现问题。R数据分析平台提供了许多高效率的工具，可用来处理日常的数据分析和机器学习任务。 本书是一本基于任务的教程，引导读者使用R语言参与几十个实用的数据分析实践。本书重点介绍读者在工作中将面临的最重要任务，对于商业分析师和数据科学家来说都非常实用。因为数据只有在可理解的情况下才有用，所以读者也可以在表格中找到组织和展示数据的妙招，以及快速生动的可视化效果。

这是一部能指导零基础的读者快速掌握R语言并利用R语言进入数据科学领域的著作。 两位作者在R语言和数据科学领域有丰富的实践经验，首先是非常有针对性地讲解了利用R语言进行数据处理需要掌握和使用的6大类17种工具，然后是结合这些工具的使用给出了5个典型的综合性案例，帮助读者迅速将理论与实践融会贯通。 全书一共11章，逻辑上分为两大部分： 第一部分 R语言工具箱（第1-6章） 首先从数据导入、数据清洗、数据计算、循环和迭代等几个方面详细讲解了R语言中相关的各种常用的工具，然后深入地讲解了R语言中的“超级瑞士军刀”data.table包。掌握这部分内容，能满足R语言数据处理中的基本需求。 第二部分 数据科学实战案例（第7-11章） 第7章首先对数据科学从业者的现状和未来应该掌握的技术和工具进行了介绍； 第8-11章通过4个综合性的案例讲解了使用R语言进行数据处...(展开全部)

这是一部能指导零基础的读者快速掌握R语言并利用R语言进入数据科学领域的著作。 两位作者在R语言和数据科学领域有丰富的实践经验，首先是非常有针对性地讲解了利用R语言进行数据处理需要掌握和使用的6大类17种工具，然后是结合这些工具的使用给出了5个典型的综合性案例，帮助读者迅速将理论与实践融会贯通。 全书一共11章，逻辑上分为两大部分： 第一部分 R语言工具箱（第1-6章） 首先从数据导入、数据清洗、数据计算、循环和迭代等几个方面详细讲解了R语言中相关的各种常用的工具，然后深入地讲解了R语言中的“超级瑞士军刀”data.table包。掌握这部分内容，能满足R语言数据处理中的基本需求。 第二部分 数据科学实战案例（第7-11章） 第7章首先对数据科学从业者的现状和未来应该掌握的技术和工具进行了介绍； 第8-11章通过4个综合性的案例讲解了使用R语言进行数据处...(展开全部)

本书的目标是教会读者使用最重要的数据科学工具，从而为实施数据科学奠定坚实的基础。读完本书后，你将掌握R语言的精华，并能够熟练使用多种工具来解决各种数据科学难题。每一章都按照这样的顺序组织内容：先给出一些引人入胜的示例，以便你可以整体了解这一章的内容，然后再深入细节。本书的每一节都配有习题，以帮助你实践所学到的知识。

本书的目标是教会读者使用最重要的数据科学工具，从而为实施数据科学奠定坚实的基础。读完本书后，你将掌握R语言的精华，并能够熟练使用多种工具来解决各种数据科学难题。每一章都按照这样的顺序组织内容：先给出一些引人入胜的示例，以便你可以整体了解这一章的内容，然后再深入细节。本书的每一节都配有习题，以帮助你实践所学到的知识。

本书旨在让读者能够举一反三地解决重要问题，内容包括：数据科学及工作流程、统计模型与机器学习算法、信息提取与统计变量创建、数据可视化与社交网络、预测模型与因果分析、数据预处理与工程方法。另外，本书还将带领读者展望数据科学未来的发展。

本书旨在让读者能够举一反三地解决重要问题，内容包括：数据科学及工作流程、统计模型与机器学习算法、信息提取与统计变量创建、数据可视化与社交网络、预测模型与因果分析、数据预处理与工程方法。另外，本书还将带领读者展望数据科学未来的发展。

在越来越多的企业开始利用数据科学来驱动业务，本书将依托 TalkingData公司在大数据领域的多年实际经验，从数据、人才、工具三个维度帮助企业数据团队完成端到端的数据科学项目部署。 本书的内容包括数据科学项目的基础概念、准备工作、团队人才及端到端的实战案例等，适合正面临数字化转型的企业决策者、数据团队负责人，以及从事数据科学工作的数据工程师、数据科学家、数据工程师等阅读。

Anaconda是一个强大的开源数据科学平台，它将很多好的工具整合在一起，极大地简化了使用者的工作流程，并能够帮助使用者解决一系列数据科学难题。《Anaconda数据科学实战》旨在通过一系列示例，引导读者在编码和图表中了解Anaconda的强大之处。本书包括12章，结合R、Python、Octave和Julia等4种编程语言，从平台的安装和配置开始，循序渐进地引导读者掌握数据集的获取、数据可视化、统计建模、管理包、Anaconda的优化、无监督学习、监督学习、数据预测分析、云、分布式计算等内容。本书示例丰富，讲解细致，作者不仅在金融领域有着深厚的积累，还有着丰富的教学经验。对于那些有兴趣了解金融领域数据科学的读者，以及普通的数据分析师或数据科学从业者，本书都是一个不错的选择。在阅读本书之前，我们希望读者具备R或Python的基本编程知识，以及线性代数相关的基本知识。

本书主要从实战角度讲述了如何处理、分析和可视化数据，如何用数据建立各种统计学或机器学习模型。本书首先介绍如何使用Python代码获取、转换和分析数据；接着讲述如何使用Python中的数据结构和第三方库；然后展示如何以各种格式加载数据，如何对数据进行分组与汇总，如何创建图表和可视化数据；最后讨论如何解决实际的问题。 本书适合希望使用Python处理和分析数据的开发人员阅读，也可供计算机相关专业的师生参考。