流數(shù)據(jù)分析技術

定　價：￥38.00

作　者：	李靜林，袁泉著
出版社：	北京郵電大學出版社
叢編項：	普通高等教育“十三五”規(guī)劃教材，數(shù)據(jù)科學與大數(shù)據(jù)技術專業(yè)教材叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787563559152	出版時間：	2020-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	180	字數(shù)：

內(nèi)容簡介

　　流數(shù)據(jù)分析技術是一種實時或準實時的，對動態(tài)數(shù)據(jù)集合甚至無界時間序列數(shù)據(jù)進行特征和態(tài)勢認知的技術，目前已經(jīng)廣泛應用于互聯(lián)網(wǎng)／移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、氣象、金融等多個領域，支撐運營管理、應用性能管理、監(jiān)測與測控等多種服務，是大數(shù)據(jù)的重要研究方向之一?！读鲾?shù)據(jù)分析技術》以流數(shù)據(jù)的基本特征為核心內(nèi)容，突出流數(shù)據(jù)與傳統(tǒng)大數(shù)據(jù)的聯(lián)系與區(qū)別，介紹流數(shù)據(jù)的基本處理方法和分析方法。重點內(nèi)容包括：流數(shù)據(jù)與流式計算、流數(shù)據(jù)處理技術、流數(shù)據(jù)分析技術、流數(shù)據(jù)處理模型與處理框架等?！读鲾?shù)據(jù)分析技術》還介紹了流數(shù)據(jù)分析技術的一些新進展及流計算框架的新發(fā)展?！读鲾?shù)據(jù)分析技術》可作為計算機學科相關專業(yè)，特別是數(shù)據(jù)科學與大數(shù)據(jù)技術專業(yè)的教材。

作者簡介

　　李靜林，博士、副教授，2004年獲得北京郵電大學計算機應用技術博士學位?，F(xiàn)任北京郵電大學網(wǎng)絡與交換技術國家重點實驗室交換與智能控制研究中心主任。主要研究方向為移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等融合網(wǎng)絡智能與服務計算。

圖書目錄

第1章流數(shù)據(jù)與流計算
1．1 大數(shù)據(jù)
1．1．1 大數(shù)據(jù)的發(fā)展
1．1．2 大數(shù)據(jù)的概念
1．1．3 大數(shù)據(jù)思維
1．2 流數(shù)據(jù)
1．2．1 流數(shù)據(jù)的場景
1．2．2 流數(shù)據(jù)的特點
1．2．3 流數(shù)據(jù)的概念
1．3 流數(shù)據(jù)處理
1．3．1 批處理模型
1．3．2 流式處理模型
1．3．3 流式處理與窗口模型
1．3．4 流式處理與概要結構
1．3．5 批處理與流式處理的對比
1．4 流數(shù)據(jù)分析
1．4．1 頻繁項挖掘算法
1．4．2 聚類算法
1．4．3 分類算法
1．4．4 回歸算法
1．5 流數(shù)據(jù)機器學習
1．6 小結
本章知識點
擴展閱讀
習題1
第2章流數(shù)據(jù)概要結構構建技術
2．1 流數(shù)據(jù)處理的概要結構
2．2 抽樣概要結構
2．2．1 抽樣
2．2．2 伯努利抽樣
2．2．3 水庫抽樣
2．2．4 簡明抽樣
2．3 草圖概要結構
2．3．1 草圖
2．3．2 計數(shù)草圖
2．3．3 增廣草圖
2．3．4 布隆過濾器
2．3．5 FM基數(shù)估計草圖
2．4 小波概要結構
2．5 直方圖概要結構
2．5．1 直方圖
2．5．2 等寬直方圖
2．6 小結
本章知識點
擴展閱讀
習題2
第3章流數(shù)據(jù)頻繁模式挖掘技術
3．1 頻繁模式挖掘問題的定義
3．2 不同窗口模型的頻繁模式挖掘
3．3 頻繁項挖掘算法
3．3．1 黏性抽樣算法
3．3．2 KPS算法
3．4 頻繁模式挖掘算法
3．4．1 有損計數(shù)算法
3．4．2 有損計數(shù)算法擴展
3．5 頻繁模式挖掘的其他相關問題
3．6 小結
本章知識點
擴展閱讀
習題3
第4章流數(shù)據(jù)聚類分析技術
4．1 聚類算法
4．2 流數(shù)據(jù)聚類的評價
4．2．1 內(nèi)部度量
4．2．2 外部度量
4．3 不同窗口模型的聚類分析
4．4 基于劃分的流數(shù)據(jù)聚類算法
4．4．1 STREAM算法
4．4．2 K-Center算法
4．5 基于層次的流數(shù)據(jù)聚類算法
4．6 基于密度的流數(shù)據(jù)聚類算法
4．7 基于網(wǎng)格的流數(shù)據(jù)聚類算法
4．8 其他流數(shù)據(jù)聚類算法
4．8．1 K-Median算法
4．8．2 BIRCH算法
4．9 小結
本章知識點
擴展閱讀
習題4
第5章流數(shù)據(jù)分類分析技術
5．1 。分類算法
5．2 流數(shù)據(jù)分類的評價
5．2．1 誤差估計
5．2．2 性能評價指標
5．2．3 統(tǒng)計顯著性
5．2．4 成本度量
5．3 基于貝葉斯的分類算法
5．4 基于決策樹的分類算法
5．4．1 快速決策樹算法
5．4．2 概念自適應快速決策樹算法
5．5 其他流數(shù)據(jù)分類算法
5．5．1 VFDTc和UFFT算法
5．5．2 Hoeffding自適應樹算法
5．6 小結
本章知識點
擴展閱讀
習題5
第6章流數(shù)據(jù)學習與時間序列分析技術
6．1 時間序列
6．1．1 時間序列的分類與特征
6．1．2 時間序列的表示與擬合
6．1．3 時間序列的預測
6．2 在線學習模型
6．3 流數(shù)據(jù)學習評價
6．3．1 誤差
6．3．2 Regret界
6．4 模型學習算法
6．4．1 ARIMA算法
6．4．2 在線ARIMA算法
6．5 實例學習算法
6．5．1 嶺回歸與LASSO回歸
6．5．2 FIMT算法
6．5．3 AMRules算法
6．6 最優(yōu)化算法
6．6．1 SGD算法
6．6．2 FTRL算法
6．7 小結
本章知識點
擴展閱讀
習題6
第7章流數(shù)據(jù)處理模型與框架
7．1 流數(shù)據(jù)處理計算模型
7．2 流計算的狀態(tài)與一致性
7．2．1 流計算的狀態(tài)
7．2．2 流計算的一致性
7．3 流計算處理中的時間
7．4 流計算實現(xiàn)框架
7．5 Storm流處理框架
7．5．1 基于流的處理拓撲結構
7．5．2 記錄級容錯
7．5．3 Storm的系統(tǒng)架構
7．6 Spark流處理框架
7．6．1 基于RDD的微批處理結構
7．6．2 基于RDD依賴的容錯
7．6．3 Spark的系統(tǒng)架構
7．7 Flink流處理框架
7．7．1 基于流水線的處理結構
7．7．2 基于分布式快照的容錯
7．7．3 Flink的系統(tǒng)架構
7．8 小結
本章知識點
擴展閱讀
習題7
參考文獻