《R语言数据分析项目开发实战》详细阐述了与数据分析相关的基本解决方案，主要包括关联规则挖掘、基于内容的模糊逻辑推荐系统、协同过滤机制、基于深度神经网络的时序数据、Twitter文本情感分类、记录链接——随机和机器学习方案、流式数据聚类分析、分析并理解网络等内容。
　　此外，《R语言数据分析项目开发实战》还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
　　《R语言数据分析项目开发实战》既可作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

第1章 关联规则挖掘
1．1 理解推荐系统
1．1．1 事务
1．1．2 加权事务
1．1．3 Web应用程序
1．2 零售商用例和数据
1．3 关联规则挖掘
1．4 关联销售营销活动
1．4．1 杠杆效应
1．4．2 确信度
1．5 加权关联规则挖掘
1．6 基于超链接的主题搜索（HITS）
1．7 负关联规则
1．8 规则的可视化
1．9 封装
1．10 本章小结

第2章 基于内容的模糊逻辑推荐系统
2．1 基于内容的推荐系统
2．2 新闻聚合器用例和数据
2．3 设计基于内容的推荐引擎
2．3．1 构建相似度索引
2．3．2 搜索机制
2．4 完整的R代码
2．5 本章小结

第3章 协同过滤机制
3．1 协同过滤
3．1．1 基于内存的方案
3．1．2 基于模型的方案
3．1．3 隐因子模型方案
3．2 recommenderlab数据包
3．3 用例和数据
3．4 设计并实现协同过滤机制
3．4．1 评级矩阵
3．4．2 标准化
3．4．3 随机划分训练集和测试集
3．4．4 训练模型
3．5 完整的R代码
3．6 本章小结

第4章 基于深度神经网络的时序数据
4．1 时序数据
4．1．1 非季节性时序
4．1．2 季节性时序
4．1．3 回归问题
4．2 深度神经网络
4．2．1 前向循环
4．2．2 反向循环
4．3 MXNet数据包
4．4 MXNet中的符号编程
4．4．1 softmax激活函数
4．4．2 用例和数据
4．4．3 基于时序预测的深度网络
4．5 训练一测试集划分
4．6 完整的R代码
4．7 本章小结
……

第5章 Twitter文本情感分类
第6章 记录链接——随机和机器学习方案
第7章 流式数据聚类分析
第8章 分析并理解网络

　　本书向读者介绍了如何利用R数据包处理数据分析等问题，其中包含了针对各类数据分析的不同R数据包的功能，并帮助读者使用正确的数据包实现相关任务。其中，每章将从头开始构建一个完整项目，进而帮助读者更好地理解如何构建端到端的预测分析解决方案。本书涵盖了不同的主题，包括利用R语言构建深度学习网络、流数据分析、情绪分类以及推荐系统。
　　本书内容：
　　第1章：关联规则挖掘。通过事务处理数据构建推荐系统，并对关联销售和促销行为进行识别。
　　第2章：基于内容的模糊逻辑推荐系统。将处理推荐系统中的“冷启动”问题，并尝试通过模糊集方案解决包含多相似度的排名问题。
　　第3章：协同过滤机制。将对推荐系统的协同过滤机制引入不同的方案。
　　第4章：基于深度神经网络的时序数据。讨论MXNetR，即R语言中的深度学习数据包。本章将利用MXNet构建一个深连接网络，进而预测股票收盘价格。
　　第5章：Twitter文本情感分类。将考查R语言中Twitter数据的处理能力，并引入了一种全新的情绪分类方式，即DeltaTfidf。除此之外，还将利用基于朴素贝叶斯算法的核密度估计对情绪进行分类。
　　第6章：记录链接——随机和机器学习方案。主要讨论数据管理方面的问题，以及如何利用recordLinkage数据包在R语言中对此加以处理。
　　第7章：流式数据聚类分析。将解决R语言中的流数据处理、流数据集群、在线／离线集群模型等问题。
　　第8章：分析并理解网络。通过igraph数据包执行R中的图分析，同时利用图算法解决产品网络分析等问题。