能力缺口与学习门槛：懂语法但不会建模型
很多转岗做数据分析或准备技术面试的人，R语言的基本语法磕磕绊绊能写，数据清洗和画图也没问题，但真遇到业务预测或客户分群需求就彻底卡壳。这门课解决的核心痛点就是“懂语法但不会建模”：把线性回归、广义线性模型和聚类分析这几个高频算法，从原理直接拉到代码落地。如果你目前只会调用现成的包跑结果，看不懂模型摘要里的显著性检验，或者对无监督学习的适用场景一知半解，说明你的能力缺口就在模型构建与诊断环节，这正是本课要补的短板。学习前你需要具备R语言基础数据操作能力，了解向量、数据框结构，如果连基本的数据导入和描述统计都不熟练，建议先补齐基础再来看这门课，否则直接上手模型会频繁卡在代码报错上。
学习顺序与资料配合练习：别光看视频
建议的学习顺序是：先从一元线性回归入手，吃透lm函数的参数和输出结构，再进阶到多项式及多元线性回归，最后啃逐步回归和模型诊断。这一块是后续算法的基石，回归模块没搞懂直接看聚类会逻辑断层。到了聚类分析模块，先弄懂距离计算逻辑和K-means的迭代过程，再跑检测分群案例。资料包里的代码必须配合本地R环境同步运行，不要光看视频脑补。具体做法是：跟着视频敲一遍代码，然后手动修改参数看输出变化；每看完一个算法，立刻把案例数据集换成自己找的公开数据跑一次。如果报错或结果异常，再回去重看对应原理介绍，这样查漏补缺效率最高。
学完产出与独立解决问题能力
看完并练完这些内容，你应该能独立完成以下工作：拿到一份带标签的业务数据，能用R语言构建线性回归模型，解读lm函数输出的残差与显著性指标，判断哪些变量该保留或剔除；面对二分类问题，能套用广义线性模型做logit回归，并给出概率预测和业务解释；拿到一份无标签数据，能利用K-means算法完成聚类，结合业务场景解释每个簇的特征。如果在实际操作中遇到模型拟合效果差、共线性严重或聚类中心选择困难等问题，你能知道回到哪个模块去查原理和调参数，而不是盲目换包。检验学习成果的标准很简单：拿一份全新数据，不看视频能否独立跑通完整建模流程。
课程目录
1-1 [数据挖掘基础与提升之R语言实践] 线性回归模型及自定义函数 (20:33) 1-2 [数据挖掘基础与提升之R语言实践] 线性回归模型lm函数详解及简单线性回归案例演示 (12:50) 1-3 [数据挖掘基础与提升之R语言实践] 线性回归模型lm函数详解及简单线性回归案例演示 (12:50) 1-4 [数据挖掘基础与提升之R语言实践] 多项式及多元线性回归模型 (16:27) 1-5 [数据挖掘基础与提升之R语言实践] 逐步回归及模型判断 (16:11) 1-6 [数据挖掘基础与提升之R语言实践] 广义线性模型logit回归 (18:46) 2-1 [R语言模型篇之聚类分析] 聚类方法原理介绍 (09:53) 2-2 [R语言模型篇之聚类分析] 聚类算法R语言实现及K-均值聚类案例演示 (12:11) 2-3 [R语言模型篇之聚类分析] 利用K-means算法来检测离群点 (08:44) 2-4 [R语言模型篇之聚类分析] 层次聚类案例详解 (17:32) 3-1 [R语言模型篇之关联规则] 关联规则原理及R语言实现 (10:25) 3-2 [R语言模型篇之关联规则] 关联规则可视化arulesViz包介绍 (05:33) 3-3 [R语言模型篇之关联规则] 超市购物例子-数据理解及数据可视化 (19:50) 3-4 [R语言模型篇之关联规则] 建立关联规则模型及规则可视化 (21:08) 3-5 [R语言模型篇之关联规则] 关联规则解读补充 (03:17) 4-1 [R语言模型篇之KNN近邻算法] KNN近邻算法原理及K值选择 (12:46) 4-2 [R语言模型篇之KNN近邻算法] KNN近邻算法R语言实现 (06:33) 4-3 [R语言模型篇之KNN近邻算法] 案例演示：利用class包中的knn函数实现近邻算法 (13:44) 4-4 [R语言模型篇之KNN近邻算法] 案例演示：利用kknn函数及train函数实现近邻算法 (06:55) 4-5 [R语言模型篇之KNN近邻算法] 综合案例演示：如何利用KNN近邻算法识别患有乳腺癌症病患者 (21:54) 5-1 [R语言模型篇之主成分分析] 综合案例演示：如何利用主成分分析构建股票指数 (24:40)
