r安裝的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

機器學習入門：R語言(附範例光碟)

為了解決r安裝的問題，作者徐偉智,社團法人數位經濟發展 這樣論述：

　　機器學習是AI人工智慧的基礎，但機器學習本身是門較高深的課程，而本書為了讓讀者能夠輕易理解，除了從入門者的角度做編寫外，並且利用R的簡潔代碼，來輕鬆駕馭繁雜的統計模型。書中先講述AI及R語言，從R安裝、基礎語法到進階語法，讓讀者能夠先掌握R語言，接著經由R來講述機器學習的各種實作項目，如資料分析、線性回歸模型及模型評估等，藉此能夠將R活用，並且對於機器學習有更進一步的認識。本書適用於大學、科大資工、電機、電子、電通科系「機器學習」課程使用。 本書特色 　　1.本書完全以入門者的角度編寫，並藉由R語言的簡潔代碼駕馭繁雜的機器學習模型。 　　2.由淺入深介紹AI及R語

言(R的安裝、基礎語法、進階語法)，讓讀者能夠掌握R語言之後，再介紹機器學習模型各種功能函式的使用(線性回歸、SVM、類神經網路、決策樹)。 　　3.藉由循序漸進的方式推導支持向量激(SVM)與羅吉斯迴歸的原理，僅需具備高中數學能力即可理解。 　　4.本書以淺顯易懂的方式介紹如何從資料集訓練出決策樹。

r安裝進入發燒排行的影片

公有雲端企業資料庫即時同步備援到企業自有機房之研究

為了解決r安裝的問題，作者周建竹 這樣論述：

由於在近十年來網路通訊技術的快速發展，雲端服務在手機時代已經被各企業和個人所採用，在此平台上，提供的服務，可以使租用戶能快速建構符合他們本身所需要的資料系統，另外在以前雲端服務及網路通訊技術尚未普及的年代，資訊系統備援是有地區距離的限制，而現在，在地端和雲端聯結更緊密的時代，在雲端各應用系統的後端的關聯式資料庫儲存重要的交易資料，其中備援設計更是極為重要。在本論文中研究的目的將以雲端的關聯式資料庫層級即時備援到地端，從可用性、即時性、保密安全性、持久性保存和搬遷性等做探討，本研究所採用的方式為在雲端租用和設定環境和地端架設環境，建構本研究之研究模型，進行雲端到地端在關聯式資料庫層級的備援探討

分析，並使用雲端運算業者Azure的計量統計圖表做資料蒐集及資料分析，呈現雲端硬碟讀寫累積使用量和網路頻寬累積使用量的數據並進行分析和探討，企業將可依照自己業務特性，做出符合最佳化的雲端資料庫備援到地端資料庫方式的決策。

R語言與數據挖掘

為了解決r安裝的問題，作者張良均等 這樣論述：

本書主要分為三個部分，基礎篇、建模應用篇和Rattle篇。基礎篇（第1～5章）介紹了有關R語言的安裝與使用、R語言中的數據結構、常用操作和繪圖功能等基礎功能。建模應用篇（第6～10章）主要介紹了目前在數據挖掘中的常用的建模方法在R語言中的實現函數，並對輸出結果進行了解釋，有助於讀者快速掌握應用R語言進行分析挖掘建模的方法。Rattle篇（第11章）介紹了一個R語言的圖形界面工具。圖書配套提供了程序代碼及數據，讀者可通過上機實驗，快速掌握書中所介紹的R語言的使用方法。張良均，資深大數據挖掘專家和模式識別專家，有10多年的大數據挖掘應用、咨詢經驗，10余年數據倉庫系統管理與實施經驗，超過10年的系

統開發與設計經驗。為電信、電力、互聯網、生產制造、零售、銀行、生物、化工、醫藥等多個行業上百家大型企業提供過數據挖掘應用與咨詢服務，實踐經驗非常豐富。此外，他精通Java EE企業級應用開發，是廣東工業大學和華南師范大學兼職教授，著有《神經網絡實用教程》、《數據挖掘：實用案例分析》等暢銷書。謝佳標，資深R語言專家，多次於中國R語言大會發表演講，具有十余年的數據挖掘實戰經驗。目前於某上市互聯網游戲公司，任高級數據分析師，負責大數據挖掘及可視化。培訓過的精品課程有：《R語言基礎訓練》《數據分析之R語言實戰》《機器學習與R語言實踐》等。 前 言第一部分 基礎篇第1章 R語言的安裝

與使用 21.1 R安裝與升級 31.2 R使用入門 41.2.1 R操作界面 41.2.2 RStudio窗口介紹 51.2.3 R常用操作 61.3 R數據分析包 81.4 配套資源使用說明 101.5 小結 101.6 上機實驗 10第2章 數據對象與數據讀寫 122.1 數據類型 122.2 數據結構 162.2.1 向量 162.2.2 矩陣 192.2.3 數組 242.2.4 數據框 252.2.5 因子 282.2.6 列表 312.3 數據文件的讀寫 342.3.1 鍵盤輸入數據 342.3.2 讀取不同格式的數據 352.3.3 從其他統計軟件獲取數據 372.3.4 從數

據庫獲取數據 372.3.5 從網頁獲取數據 392.4 小結 402.5 上機實驗 40第3章 R語言常用數據管理 423.1 變量的重命名 423.2 缺失值分析 453.3 數據排序 463.4 隨機抽樣 483.5 數值運算函數 493.6 字符串處理 523.7 文本分詞 563.8 apply函數族 623.9 數據整合 653.10 控制流 683.11 函數的編寫 713.12 小結 723.13 上機實驗 73第4章 圖形探索 754.1 圖形元素 764.1.1 顏色 764.1.2 點 804.1.3 文本 824.1.4 線條 864.1.5 圖例 914.1.6 坐標

軸 924.2 圖形組合 944.3 圖形保存 974.4 圖形函數 984.5 小結 1164.6 上機實驗 116第5章 高級繪圖工具 1175.1 lattice包繪圖工具 1175.1.1 繪圖特色 1175.1.2 基本圖形 1225.2 ggplot2包繪圖工具 1355.2.1 從qplot開始 1355.2.2 ggplot作圖 1375.3 交互式繪圖工具簡介 1425.3.1 rCharts包 1435.3.2 recharts包 1475.3.3 googleVis包 1475.3.4 htmlwidgets包 1485.3.5 shiny包 1535.4 小結 1635

.5 上機實驗 163第二部分 建模應用篇第6章 分類與預測 1666.1 回歸分析 1666.2 決策樹 1756.2.1 C4.5算法 1766.2.2 CART算法 1786.2.3 C5.0算法 1806.3 人工神經網絡 1816.4 KNN算法 1836.5 朴素貝葉斯分類 1856.6 其他分類與預測算法函數 1876.7 分類與預測算法評價 1926.8 小結 1966.9 上機實驗 196第7章 聚類分析 1987.1 K-Means聚類分析函數 1997.2 層次聚類算法 2047.3 其他聚類分析函數 2077.4 小結 2117.5 上機實驗 212第8章 關聯規則 2

138.1 Apriori關聯規則 2148.2 小結 2268.3 上機實驗 226第9章 智能推薦 2289.1 智能推薦模型構建 2289.2 智能推薦模型評價 2329.3 小結 2359.4 上機實驗 235第10章 時間序列 23710.1 ARIMA模型 23710.2 其他時間序列模型 24510.3 小結 25010.4 上機實驗 251第三部分 Rattle篇第11章 可視化數據挖掘工具Rattle 25411.1 Rattle簡介及其安裝 25411.1.1 Rattle簡介 25411.1.2 Rattle安裝 25411.2 功能預覽 25511.3 數據導入 256

11.3.1 導入CSV數據 25611.3.2 導入ARFF數據 26111.3.3 導入ODBC數據 26211.3.4 R Dataset--導入其他數據源 26411.3.5 導入RData File數據集 26711.3.6 導入Library數據 26811.4 數據探索 26911.4.1 數據總體概況 26911.4.2 數據分布探索 27211.4.3 相關性 27511.4.4 主成分 27711.4.5 交互圖 27811.5 數據建模 28311.5.1 聚類分析 28311.5.2 關聯規則 28811.5.3 決策樹 29111.5.4 隨機森林 29311.6 模

型評估 29611.6.1 混淆矩陣 29611.6.2 風險圖 29611.6.3 ROC圖及相關圖表 29711.6.4 模型得分數據集 29811.7 小結 29911.8 上機實驗 299參考資料 301

基於語意之輪廓表示法及全連結捲積類神經網路之單晶片多車輛辨識系統

為了解決r安裝的問題，作者徐雋航 這樣論述：

鑒於現今智慧車輛發展迅速，前方車輛辨識及車距檢測為先進駕駛輔助系統 (Advanced Driver Assistance Systems, ADAS) 設計中相當重要的一環，此項技術通常藉由攝影鏡頭擷取前方影像，並透過影像辨識技術來判斷前方是否存在車輛、障礙物等等，進而控制車輛減速以保持安全距離。而這些複雜的圖形辨識技術往往需要透過高功耗之大型運算系統來實現，並且，若將傳統電腦安裝於車內常需要克服體積過大、耐震性不佳等缺點。因此，本研究專注於如何將車輛辨識及車距檢測演算法實現於單晶片，以達到高性能、低功耗，以及體積小之目的。為實現前方車輛辨識及車距檢測，本研究透過單一彩色相機模組收集前方影

像資訊，並於單一現場可程式邏輯閘陣列 (Field Programmable Gate Array, FPGA) 晶片中以最精簡之硬體電路實現白平衡 (White Balance)、影像對比度強化技術 (Image Contrast Technique)、物體邊緣檢測、利用基於模糊語意影像描述 (Semantics-based Vague Image Representation, SVIR) 改良之基於語義之輪廓表示法 (Semantic-based Contour Representation, SCR) 特徵表達物體、再透過不同的卷積核 (Convolution Kernel) 重釋SC

R特徵並交由全連接類神經網路(Fully Connected Neural Network, FCN) 進行車輛辨識。最後，以多個邊界框 (Bounding Box) 同時檢測前方多台車輛，達到單頁多目標辨識 (Single Shot MultiBox Detector，SSD) 之功能，而邊界框之座標可以透視法 (Perspective View) 計算前車相對距離。根據本研究之實驗結果，在相機以每秒90張影像攝影速度以及影像解析度在640×480像素的條件下，本研究僅須3.61us即可完成單台車輛辨識，車輛辨識率可達到94%，且車輛與非車輛至少保持38%以上之分離度，有效減少感測錯誤的情況

發生。因此，實現一真正高性能、低功耗以及體積小之前方車輛辨識晶片。