熊贇、朱揚(yáng)勇、陳志淵編*的這本《大數(shù)據(jù)挖掘》系統(tǒng)介紹了大數(shù)據(jù)挖掘的概念、原理、技術(shù)和應(yīng)用,具體內(nèi)容包括:認(rèn)識和理解大數(shù)據(jù);大數(shù)據(jù)挖掘需要的相關(guān)技術(shù)(大數(shù)據(jù)獲取技術(shù)、大數(shù)據(jù)存儲管理技術(shù)和大數(shù)據(jù)可視化技術(shù)等);大數(shù)據(jù)計算框架;大數(shù)據(jù)挖掘任務(wù)(關(guān)聯(lián)分析、聚類分析、分類分析、異常分析、特異群組挖掘和演變分析);大數(shù)據(jù)應(yīng)用實(shí)現(xiàn)。
本書對大數(shù)據(jù)挖掘技術(shù)進(jìn)行了全面而細(xì)致的定義和歸納,并向讀者展現(xiàn)了該領(lǐng)域*新研究熱點(diǎn)和技術(shù)。
本書可供數(shù)據(jù)科學(xué)專業(yè)的高等學(xué)校學(xué)生及教師,從事數(shù)據(jù)領(lǐng)域工作的研究人員、技術(shù)人員、管理人員和決策人員參考閱讀。
第1章 緒論
.1.1 理解大數(shù)據(jù)挖掘
1.1.1 大數(shù)據(jù)挖掘的定義
1.1.2 大數(shù)據(jù)挖掘的任務(wù)
1.1.3 大數(shù)據(jù)挖掘的特點(diǎn)
1.1.4 大數(shù)據(jù)挖掘與相關(guān)技術(shù)的差異
.1.2 大數(shù)據(jù)挖掘的相關(guān)技術(shù)
1.2.1 大數(shù)據(jù)獲取
1.2.2 大數(shù)據(jù)存儲與管理
1.2.3 大數(shù)據(jù)可視化
.1.3 小結(jié)
參考文獻(xiàn)
第2章 大數(shù)據(jù)計算框架
.2.1 HDFS
.2.2 MapReduce
2.2.1 MapReduce框架及范例
2.2.2 MapReduce存在的問題和解決方法
.2.3 NoSQL(非關(guān)系型)數(shù)據(jù)庫
2.3.1 NoSQL數(shù)據(jù)庫的分類
2.3.2 NoSQL數(shù)據(jù)庫實(shí)例
.2.4 SQL(關(guān)系型)數(shù)據(jù)庫
2.4.1 Apache HIVE
2.4.2 其他SQL數(shù)據(jù)庫
.2.5 小結(jié)
參考文獻(xiàn)
第3章關(guān)聯(lián)分析
.3.1 關(guān)聯(lián)分析的基本概念
3.1.1 關(guān)聯(lián)分析的定義
3.1.2 關(guān)聯(lián)規(guī)則的定義
3.1.3 關(guān)聯(lián)規(guī)則的分類
.3.2 關(guān)聯(lián)規(guī)則挖掘的原理
3.2.1 挖掘簡單關(guān)聯(lián)規(guī)則
3.2.2 挖掘量化關(guān)聯(lián)規(guī)則
3.2.3 挖掘多層關(guān)聯(lián)規(guī)則
3.2.4 挖掘多維關(guān)聯(lián)規(guī)則
.3.3 關(guān)聯(lián)規(guī)則挖掘的基礎(chǔ)算法
3,3.1 Apriori算法
3.3.2 Apriori算法的優(yōu)化
3.3.3 FP-Growth算法
3.3.4 序列模式挖掘算法
.3.4 挖掘算法的進(jìn)階方法
3.4.1 USpan:高效用序列模式挖掘算法
3.4.2 HulsMaR:基于MapReduCC的序列模式挖掘算法
.3.5 小結(jié)
參考文獻(xiàn)
第4章 聚類分析
.4.1 聚類分析的基本概念
4.1.1 簇與聚類
4.1.2 相似性度量和聚類原理
.4.2 聚類分析的基礎(chǔ)算法
4.1.1 層次的方法——單連接算法、BIRCH算法
4.2.2 劃分的方法——κ-means和κ-medoids算法
4.2.3 基于密度的方法——OPTICS算法
.4.3 聚類分析的進(jìn)階方法
4.3.1 Density Peaks算法(AA算法)
4.3.2 κ-means:真基于MapReduce的κ-means算法
.4.4 小結(jié)
參考文獻(xiàn)
第5章 分類分析
.5.1 分類分析的基本概念
.5.2 分類模型
.5.3 分類分析的原理
5.3.1 決策樹
5.3.2 基于統(tǒng)計的方法
5.3.3 基于神經(jīng)網(wǎng)絡(luò)的方法
.5.4 分類分析的基礎(chǔ)算法
5.4.I ID3和C4.5算法:基于決策樹的分類算法
5.4.2 SLIQ:一種高速可伸縮的基于決策樹的分類算法
5.4.3 后向傳播算法BP算法:基于神經(jīng)網(wǎng)絡(luò)的分類算法
.5.5 分類分析的進(jìn)階方法
.5.6 小結(jié)
參考文獻(xiàn)
第6章 異常分析
.6.1 異常分析的基本概念
6.1.1 異常
6.1.2 異常分析
.6.2 異常分析的原理
6.2.1 基于統(tǒng)計的異常分析方法
6 2.2 基于偏差的異常分析方法
6.2.3 基于距離的異常分析方法
6.2.4 基于密度的異常分析方法
.6.3 異常分析的主要算法
6.3.1 基于距離的異常分析算法
6.3.2 基于密度的異常分析算法
.6.4 小結(jié)
參考文獻(xiàn)
第7章 特異群組挖掘
.7.1 特異群組挖掘的基本概念
.7.2 特異群組挖掘與聚類和異常檢測的關(guān)系
.7.3 特異群組挖掘形式化描述
.7.4 特異群組挖掘框架算法
.7.5 特異群組挖掘應(yīng)用
.7.6 小結(jié)
參考文獻(xiàn)
第8章 演變分析
.8.1 演變分析的基本概念
.8.2 演變分析的原理
.8.3 演變分析的基礎(chǔ)算法
.8.4 演變分析的進(jìn)階算法
8.4.1 時間序列隨機(jī)偏移符號化表示算法
8.4.2 多維溫度序列協(xié)同異常事件挖掘算法
.8.5 小結(jié)
參考文獻(xiàn)
第9章 異質(zhì)數(shù)據(jù)網(wǎng)絡(luò)挖掘
.9.1 異質(zhì)數(shù)據(jù)網(wǎng)絡(luò)
.9.2 異質(zhì)數(shù)據(jù)網(wǎng)絡(luò)挖掘研究現(xiàn)狀
.9.3 數(shù)據(jù)網(wǎng)絡(luò)上的相似性度量的研究
.9.4 異質(zhì)數(shù)據(jù)網(wǎng)絡(luò)挖掘研究內(nèi)容
.9.5 小結(jié)
參考文獻(xiàn)
第10章 大數(shù)據(jù)挖掘應(yīng)用之推薦系統(tǒng)
.1..1 推薦系統(tǒng)研究階段
.1..2 推薦系統(tǒng)算法
10.2.1 推薦系統(tǒng)定義
10.2 推薦算法分類
10.2.3 比較與分析
.10.3 推薦系統(tǒng)的評測
.10.4 小結(jié)
參考文獻(xiàn)
第11章 大數(shù)據(jù)中的隱私問題
.11.1 隱私的重要性
.11.2 隱私保護(hù)技術(shù)
11.2.1 直接攻擊的應(yīng)對方法
11.2.2 間接攻擊的應(yīng)對方法
.11.3 小結(jié)
參考文獻(xiàn)