Data Science for Business With R 1st Edition

Khoa học dữ liệu cho doanh nghiệp với R
Khoa học dữ liệu cho doanh nghiệp với R, được viết bởi Jeffrey S. Saltz và Jeffrey M. Stanton, tập trung vào các khái niệm nền tảng cho sinh viên bắt đầu chương trình cấp bằng khoa học dữ liệu hoặc phân tích kinh doanh. Để giữ cho cuốn sách có tính thực tiễn và ứng dụng, các tác giả đã đưa ra một trường hợp sử dụng tập dữ liệu khảo sát khách hàng của một doanh nghiệp hàng không toàn cầu để minh họa cách đưa dữ liệu vào các quyết định kinh doanh, bên cạnh nhiều ví dụ xuyên suốt. Để hỗ trợ khả năng sử dụng bên ngoài lớp học, văn bản có tính năng tích hợp đầy đủ phần mềm R và RStudio có sẵn miễn phí, một trong những công cụ khoa học dữ liệu phổ biến nhất hiện có. Được thiết kế dành cho sinh viên có ít hoặc không có kinh nghiệm trong các lĩnh vực liên quan như khoa học máy tính, các chương của sách tuân theo một trình tự hợp lý từ giới thiệu và cài đặt R và RStudio, làm việc với kiến ​​trúc dữ liệu, thực hiện thu thập dữ liệu, thực hiện phân tích dữ liệu và chuyển sang lưu trữ dữ liệu và bài thuyết trình. Mỗi chương tuân theo một cấu trúc quen thuộc, bắt đầu với mục tiêu và nền tảng học tập, làm theo các bước cơ bản của hàm cùng với các ví dụ đơn giản, áp dụng các hàm này vào nghiên cứu điển hình và kết thúc bằng các câu hỏi thử thách của chương, nguồn tài liệu và danh sách các hàm R để học sinh biết những gì mong đợi trong mỗi bước của khóa học khoa học dữ liệu của họ. Khoa học dữ liệu dành cho doanh nghiệp với R cung cấp cho người đọc hướng dẫn đơn giản và áp dụng cho lĩnh vực mới và đang phát triển này.

Instructor Preface
Teaching Resources
Introduction: Data Science, Many Skills
What Is Data Science?
The Steps in Doing Data Science
The Skills Needed to Do Data Science
Identifying Data Problems
Additional Introductory Thoughts
Case Study Overview: Customer Churn in the Airline Industry
Net Promoter Score
Southeast and Its Regional Airline Partners
The Data Available
Attribute Names
Chapter Challenges
Sources
Chapter 1 • Begin at the Beginning With R
Installing R
Using R
Creating and Using Vectors
Subsetting Vectors
The Command Console
Using an Integrated Development Environment
Installing RStudio
Creating R Scripts
Case Study: Calculating NPS
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 2 • Rows and Columns
Creating Dataframes
Exploring Dataframes
Accessing Columns in a Dataframe
Case Study: Calculating NPS Using a Dataframe
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 3 • Data Munging
Reading a CSV Text File
Removing Rows and Columns
Renaming Rows and Columns
Cleaning up the Elements
Sorting and Subsetting Dataframes
Tidyverse: An Introduction and How to Install the Package
Sorting and Subsetting Dataframes Using Tidyverse
Case Study: Reading, Cleaning, and Exploring a Survey Dataset
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 4 • What’s My Function?
Why Create and Use Functions?
Creating Functions in R
Defensive Coding
Installing a Package to Access a Function
Case Study: Creating and Using a Calculate NPS Function
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 5 • Beer, Farms, Peas, and the Use of Statistics
Historical Perspective
Sampling a Population
Understanding Descriptive Statistics
Using Descriptive Statistics
Using Histograms to Understand a Distribution
Normal Distributions
Case Study: Exploring LTR Distributions
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 6 • Sample in a Jar
Sampling in R
Repeating our Sampling
Law of Large Numbers and the Central Limit Theorem
Comparing Two Samples
Case Study: Analyzing the Impact of a New Treatment
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 7 • Storage Wars
Importing Data Using RStudio
Accessing Excel Data
Working with Data From External Databases
Accessing a Database
Comparing SQL and R/Tidyverse for Accessing a Dataset
Accessing JSON Data
Case Study: Reading, Cleaning, and Exploring a Survey Dataset
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 8 • Pictures Versus Numbers
A Visualization Overview
Basic Plots in R
Using the ggplot2 Package
More-Advanced Visualizations
Case Study: Visualizing Key Attributes Related to NPS
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 9 • Map Mashup
Creating Map Visualizations With ggplot2
Showing Points on a Map
Zooming Into a Subset of a Map
Case Study: Explore NPS by State and City
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 10 • Lining Up Our Models
What Is a Model?
Supervised and Unsupervised Machine Learning
Linear Modeling
An Example—Car Maintenance
Using the Caret Package
Partitioning into Training and Cross Validation Datasets
Using k-fold Cross Validation
Case Study: Building a Linear Model Using Survey Data
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 11 • What’s Your Vector, Victor?
More Supervised Learning
A Classification Example
Supervised Learning via Support Vector Machines
Support Vector Machines in R
Supervised Learning via Classification and Regression Trees
Case Study: Building Supervised Models From the Survey
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 12 • Hi Ho, Hi Ho—Data Mining We Go
Data Mining Processes
Association Rules Data
Association Rules Mining
Exploring How the Association Rules Algorithm Works
Building Association Rules in R
Case Study: Exploring Association Rules Within the Survey
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 13 • Word Perfect (Text Mining)
Reading-In Text Files
Creating Word Clouds Using the Quanteda Package
Exploring the Text via Sentiment Analysis
Topic Modeling
Other Uses of Text Mining
Case Study: Connecting Topics to NPS
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 14 • Shiny® Web Apps
Creating Web Applications in R
Deploying the Application
Case Study: Visualizing NPS by Key Attributes
Chapter Challenges
Sources
R Functions Used in This Chapter
Chapter 15 • Time for a Deep Dive
The Impact of Deep Learning
Deep Learning Is Supervised Learning
How Does Deep Learning Work?
Deep Learning in R—An Example
Deep Learning in R—An Image Analysis Example
Deep Learning in R—Using a Prebuilt Model
Case Study: Building Neural Networks From the Survey
Chapter Challenges
Sources
R Functions Used in This Chapter
Index