大數(shù)據(jù)技術(shù)原理與實(shí)踐

第1章 緒論
1．1 什么是大數(shù)據(jù)
1．2 大數(shù)據(jù)的特征
1．3 大數(shù)據(jù)分析的發(fā)展情況
1．4 大數(shù)據(jù)的相關(guān)政策
第2章 面向大數(shù)據(jù)的分布式存儲系統(tǒng)
2．1 Bigtable
2．1．1 Bigtable構(gòu)件
2．1．2 Bigtable實(shí)現(xiàn)
2．1．3 Tablet
2．1．4 Bigtable優(yōu)化
2．1．5 Bigtable性能
2．1．6 實(shí)際應(yīng)用
2．2 Google File System
2．2．1 GFS框架
2．2．2 Master節(jié)點(diǎn)
2．2．3 Chunk數(shù)據(jù)塊
2．2．4 元數(shù)據(jù)
2．2．5 系統(tǒng)交互
2．2．6 容錯和診斷
2．3 Dynamo
2．3．1 系統(tǒng)架構(gòu)
2．3．2 系統(tǒng)實(shí)現(xiàn)
2．3．3 故障處理
2．4 小結(jié)
第3章 面向大數(shù)據(jù)的分布式處理框架
3．1 Hadoop
3．1．1 概述
3．1．2 實(shí)現(xiàn)運(yùn)行
3．1．3 實(shí)際應(yīng)用
3．2 MapReduce
3．2．1 MapReduce實(shí)現(xiàn)
3．2．2 MapReduce的實(shí)際應(yīng)用
3．3 Spark
3．3．1 概述
3．3．2 RDD
3．3．3 Spark處理框架
3．3．4 Spark在實(shí)際中的應(yīng)用
3．4 小結(jié)
第4章 面向大數(shù)據(jù)信息挖掘的算法
4．1 C4．5
4．1．1 算法描述
4．1．2 算法特性
4．1．3 軟件實(shí)現(xiàn)
4．1．4 應(yīng)用示例
4．1．5 相關(guān)研究
4．1．6 小結(jié)
4．2 k-means
4．2．1 算法描述
4．2．2 軟件實(shí)現(xiàn)
4．2．3 應(yīng)用示例
4．2．4 相關(guān)研究
4．2．5 小結(jié)
4．3 支持向量機(jī)
4．3．1 支持向量分類器
4．3．2 支持向量分類器的軟間隔優(yōu)化
4．3．3 核技巧
4．3．4 理論基礎(chǔ)
4．3．5 支持向量回歸器
4．3．6 軟件實(shí)現(xiàn)
4．3．7 相關(guān)研究
4．3．8 小結(jié)
4．4 Apriori
4．4．1 算法描述
4．4．2 挖掘序列模式
4．4．3 軟件實(shí)現(xiàn)
4．4．4 應(yīng)用示例
4．4．5 相關(guān)研究
4．4．6 小結(jié)
4．5 EM
4．5．1 引言
4．5．2 算法描述
4．5．3 軟件實(shí)現(xiàn)
4．5．4 應(yīng)用示例
4．5．5 相關(guān)研究
4．5．6 小結(jié)
4．6 PageRank
4．6．1 算法描述
4．6．2 擴(kuò)展：Timed-PageRank
4．6．3 小結(jié)
4．7 AdaBoost
4．7．1 算法描述
4．7．2 軟件實(shí)現(xiàn)
4．7．3 應(yīng)用示例
4．7．4 相關(guān)研究
4．7．5 小結(jié)
4．8 k最近鄰
4．8．1 算法描述
4．8．2 軟件實(shí)現(xiàn)
4．8．3 相關(guān)研究
4．8．4 小結(jié)
4．9 Naive Bayes
4．9．1 算法描述
4．9．2 獨(dú)立變量
4．9．3 模型擴(kuò)展
4．9．4 軟件實(shí)現(xiàn)
4．9．5 應(yīng)用示例
4．9．6 相關(guān)研究
4．9．7 小結(jié)
4．10 分類和回歸樹算法
4．10．1 算法描述
4．10．2 深度討論
4．10．3 軟件實(shí)現(xiàn)
4．10．4 相關(guān)研究
4．10．5 小結(jié)
第5章 數(shù)據(jù)可視化
5．1 基本可視化圖表
5．2 示例
5．2．1 全國就業(yè)和薪酬分析
5．2．22015年國內(nèi)外搜索分析
5．3 可視化工具
5．4 D3．js
5．4．1 簡介
5．4．2 搭建一個簡易的D3開發(fā)環(huán)境
5．4．3 如何深入學(xué)習(xí)D3．js
第6章 大數(shù)據(jù)與人工智能
6．1 什么是深度學(xué)習(xí)
6．2 深度學(xué)習(xí)主流模型介紹
6．2．1 卷積神經(jīng)網(wǎng)絡(luò)
6．2．2 循環(huán)神經(jīng)網(wǎng)絡(luò)
6．3 深度學(xué)習(xí)實(shí)例
6．3．1 深度學(xué)習(xí)主流工具介紹
6．3．2 利用CNN模型識別MNIST手寫數(shù)字?jǐn)?shù)據(jù)集
6．3．3 利用RNN模型識別MNIST手寫數(shù)字?jǐn)?shù)據(jù)集
6．3．4 分布式深度學(xué)習(xí)
6．3．5 分布式深度學(xué)習(xí)實(shí)例
第7章 實(shí)踐案例
7．1 云計(jì)算技術(shù)
7．1．1 服務(wù)模式
7．1．2 部署模型
7．2 公安智能大數(shù)據(jù)平臺
7．2．1 背景
7．2．2 智能大數(shù)據(jù)平臺架構(gòu)
7．2．3 智能大數(shù)據(jù)平臺功能介紹
7．3 交警智能大數(shù)據(jù)平臺
7．3．1 交警智能大數(shù)據(jù)平臺框架
7．3．2 交警智能大數(shù)據(jù)平臺技術(shù)框架
7．3．3 功能展示
參考文獻(xiàn)
附錄 促進(jìn)大數(shù)據(jù)發(fā)展行動綱要