现在，越来越多的人考虑引入大数据技术来促进公司产品的销售以获得更多的利润。而学习算法能让商务活动及其发展过程的预测摆脱人脑计算能力的局限，并且能提高数据模型的预测准确度，使得大数据的分析处理在依托计算机的大规模计算能力下得以完成。
当前数据分析很常用的工具就是R语言，本书深入浅出地介绍了利用R语言进行数据分析及构建预测模型的多种实用方法，包括回归、聚类、关联和分类分析等常用学习算法的实现，每一种算法都通过具体案例详细说明构建模型、实现模型以及评价模型的过程。本书还系统讲解了相关的R语言的基础知识，包括环境准备以及数据转换、分析和结果可视化的方法等。
本书融合了作者十几年来利用数据分析算法来实现数据挖掘与分析的诸多心得，书中所有的源代码和实验数据以及习题和答案在出版社网站上都可以免费下载。阅读完本书并亲自动手完成书中所有算法案例后，读者对数据分析将会有更深入的了解。
本书既可以作为相关专业数据分析类课程的教材，也可以作为大数据网络培训或技术人员自学的参考资料。

章 初识数据分析与R语言
1.1 软件下载与安装
1.1.1 下载和安装
1.1.2 下载和安装RStudio
1.2 包的安装和加载
1.3 应用R实现数据操作
1.3.1 数据读写
1.3.2 数据基本操作
1.3.3 应用简单统计
1.3.4 数据可视化
习题
第2章 回归分析
2.1 简单线性回归分析
2.1.1 调用lm函数构建简单线性回归模型
2.1.2 输出线性模型的特征信息
2.1.3 使用线性回归模型预测未知数
2.1.4 生成模型的诊断图
2.2 多项式回归分析
2.2.1 利用lm函数生成多项式回归模型
2.2.2 调用rlm函数生成稳健线性回归模型
2.3 在SLID数据集上研究线性回归案例
习题
第3章 关联分析
3.1 关联分析的准备工作
3.1.1 将数据转换成事务数据
3.1.2 展示事务及其关联
3.2 Apriori规则
3.2.1 使用Apriori规则完成关联挖掘
3.2.2 去掉冗余规则
3.3 关联规则可视化
3.4 Eclat挖掘
3.4.1 使用Eclat挖掘频繁项集
3.4.2 生成时态事务数据
3.5 使用cSPADE挖掘频繁时序模式
习题
第4章 聚类分析
4.1 层次聚类
4.1.1 使用层次聚类处理数据
4.1.2 将树分成簇
4.2 k均值聚类
4.2.1 使用k均值方法处理数据
4.2.2 绘制二元聚类图
4.3 聚类算法比较
4.4 聚类效果评估
4.4.1 从簇中抽取轮廓信息
4.4.2 获得优化的k值聚类
4.5 使用密度聚类方法处理数据
习题
第5章 决策树
5.1 准备训练和测试数据集
……