大數(shù)據(jù)挖掘

定　價：￥75.00

作　者：	熊赟，朱揚勇，陳志淵
出版社：	上?？茖W技術(shù)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787547829615	出版時間：	2016-03-01	包裝：
開本：	16開	頁數(shù)：	320	字數(shù)：

內(nèi)容簡介

　　本書為有志從事大數(shù)據(jù)工作的各類人員提供參考書，將系統(tǒng)地介紹大數(shù)據(jù)挖掘的概念、原理、技術(shù)和應用。包括：認識和理解大數(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（關(guān)聯(lián)分析、聚類分析、分類分析、演變分析、特異群組分析和異常分析）；大數(shù)據(jù)應用實現(xiàn)；以及大數(shù)據(jù)挖掘工具。

作者簡介

　　熊赟，教授。作為項目負責人主持或參與guo-家級、省部級或企業(yè)合作項目11項。相關(guān)研究成果在本領(lǐng)域國際ding-級會議“IEEE International Conference on Data Mining （ICDM）”、《IEEE Intelligent Systems》、《Bioinformatics》、《軟件學報》等國內(nèi)外期刊或會議上發(fā)表論文30余篇。出版專著2本。主要研究興趣包括數(shù)據(jù)科學和技術(shù)、大規(guī)模數(shù)據(jù)處理、數(shù)據(jù)挖掘及其應用等。提出了特異群組挖掘、Day-by-Day行為數(shù)據(jù)、多支持度序列挖掘、生物數(shù)據(jù)模型等學術(shù)觀點和見解。朱揚勇，復旦大學計算機科學技術(shù)學院教授、學術(shù)委員會主任，上海市數(shù)據(jù)科學重點實驗室主任，上海市政府信息化專家委員會專家，中國計算機學會大數(shù)據(jù)專家委員會專家，美國馬里蘭大學客座教授。從事數(shù)據(jù)領(lǐng)域研究25年，是國內(nèi)早一批從事數(shù)據(jù)挖掘研究的學者，是國際數(shù)據(jù)科學研究的主要倡導者之一。主持過國家自然科學基金、國家863計劃項目、上海市科委重點等多項數(shù)據(jù)挖掘領(lǐng)域的研究課題，曾獲上海市科技進步一、二、三等獎。相關(guān)研究成果在國內(nèi)外期刊或會議上發(fā)表論文100余篇，出版專著2本，教材3本。

圖書目錄

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 1.1.3 大數(shù)據(jù)挖掘的特點 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)挖掘需要的相關(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)參考文獻第2章大數(shù)據(jù)計算框架 2.1. HDFS 2.2. MapReduce2.2.1 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挖掘算法的進階方法 3.4.1 USpan：高效用序列模式挖掘算法3.4.2 基于MapReduce的HusMaR算法3.5 小結(jié)參考文獻第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 4.2.1 層次的方法――單連接算法、BIRCH算法 4.2.2 劃分的方法――k－means和k-medoids算法4.2.3 基于密度的方法――OPTICS算法4.3 進階方法4.3.1 Density Peaks算法（AA算法）4.3.2 K-Means||：基于MapReduce的K-Means算法4.4 小結(jié) 參考文獻第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)計的算法5.3.3 基于神經(jīng)網(wǎng)絡的算法5.4 分類分析的基礎(chǔ)算法 5.5 分類分析的進階方法5.6 小結(jié)參考文獻第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 特異群組挖掘應用 7.6 小結(jié) 參考文獻第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 演變分析的進階算法 8.4.1 時間序列隨機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)參考文獻第9章異質(zhì)數(shù)據(jù)網(wǎng)絡挖掘9.1 異質(zhì)數(shù)據(jù)網(wǎng)絡9.2 異質(zhì)數(shù)據(jù)網(wǎng)絡挖掘研究現(xiàn)狀9.3 數(shù)據(jù)網(wǎng)絡上的相似性度量的研究9.4 異質(zhì)數(shù)據(jù)網(wǎng)絡挖掘研究內(nèi)容9.5 小結(jié)參考文獻第10章大數(shù)據(jù)挖掘應用之推薦系統(tǒng)10.1 推薦系統(tǒng)研究階段10.2 推薦系統(tǒng)算法 10.2.1 推薦系統(tǒng)定義 10.2.2 推薦算法分類 10.2.3 比較與分析10.3 推薦系統(tǒng)的評測 0.4 小結(jié)參考文獻第11章大數(shù)據(jù)中的隱私問題 11.1. 隱私的重要性 11.2. 隱私保護技術(shù) 11.2.1. 直接攻擊的應對方法 11.2.2. 間接攻擊的應對方法11.3 小結(jié)參考文獻