大數據挖掘與套用

《大數據挖掘與套用》是2017年清華大學出版社出版的圖書，作者是王振武。

基本介紹

• 中文名：大數據挖掘與套用
• 作者：王振武
• 出版社：清華大學出版社
• 出版時間：2017年06月01日
• 定價：49.5 元
• 開本：16 開
• ISBN：9787302460435

內容介紹

本書對大數據挖掘與套用的基本算法進行了系統的介紹，每種算法不僅包括對算法基本原理的介紹，而且配有大量的例題以及基於阿里雲數加平台的演示，這種理論與實踐相結合的方式極大地方便了讀者對抽象的數據挖掘算法的理解和掌握。

目錄

第一篇基礎篇

第1章大數據簡介

1.1大數據

1.1.1大數據的定義

1.1.2大數據的特點

1.1.3大數據處理的挑戰

1.2大數據挖掘

1.2.1大數據挖掘的定義

1.2.2大數據挖掘的特點

1.3大數據挖掘的相關方法

1.3.1數據預處理技術

1.3.2關聯規則挖掘

1.3.3分類

1.3.4聚類

1.3.5孤立點挖掘

1.3.6演變分析

1.3.7特異群組分析

1.4大數據挖掘類型

1.4.1Web數據挖掘

1.4.2空間數據挖掘

1.4.3流數據挖掘

1.5大數據挖掘的常見套用

1.5.1社交網路分析

1.5.2文本分析

1.5.3推薦系統

1.6常用的大數據統計分析方法

1.6.1百分位

1.6.2皮爾森相關係數

1.6.3直方圖

1.6.4T檢驗

1.6.5卡方檢驗

1.7常用的大數據挖掘評估方法

1.8大數據平台相關技術

1.8.1分散式存儲技術

1.8.2分散式任務調度技術

1.8.3並行計算技術

1.8.4其他技術

1.9大數據平台實例——阿里雲數加平台

1.9.1數加平台簡介

1.9.2數加平台產品簡介

1.9.3數加平台優勢特色

1.9.4機器學習平台簡介

1.9.5機器學習平台功能

1.9.6機器學習平台操作流程

1.10小結

思考題

第二篇技術篇

第2章數據預處理技術

2.1數據預處理的目的

2.2數據採樣

2.2.1加權採樣

2.2.2隨機採樣

2.2.3分層採樣

2.3數據清理

2.3.1填充缺失值

2.3.2光滑噪聲數據

2.3.3數據清理過程

2.4數據集成

2.4.1數據集成簡介

2.4.2常用數據集成方法

2.5數據變換

2.5.1數據變換簡介

2.5.2數據規範化

2.6數據歸約

2.6.1數據立方體聚集

2.6.2維歸約

2.6.3數據壓縮

2.6.4數值歸約

2.6.5數據離散化與概念分層

2.7特徵選擇

2.7.1特徵選擇簡介

2.7.2Relief算法

2.7.3Fisher判別法

2.7.4基於GBDT的過濾式特徵選擇

2.8特徵提取

2.8.1特徵提取簡介

2.8.2DKLT特徵提取方法

2.8.3主成分分析法

2.9基於阿里雲數加平台的數據採樣與特徵選擇實例

2.10小結

思考題

第3章關聯規則挖掘

3.1基本概念

3.2關聯規則挖掘算法——Apriori算法原理

3.2.1Apriori算法原理解析

3.2.2Apriori算法套用舉例

3.3Apriori算法原始碼結果分析

3.4Apriori算法的特點及套用

3.4.1Apriori算法的特點

3.4.2Apriori算法的套用

3.5小結

思考題

第4章邏輯回歸方法

4.1基本概念

4.1.1回歸概述

4.1.2線性回歸簡介

4.2邏輯回歸

4.2.1二分類邏輯回歸

4.2.2多分類邏輯回歸

4.2.3邏輯回歸套用舉例

4.2.4邏輯回歸方法的特點

4.2.5邏輯回歸方法的套用

4.3邏輯回歸原始碼結果分析

4.3.1線性回歸

4.3.2多分類邏輯回歸

4.4基於阿里雲數加平台的邏輯回歸實例

4.4.1二分類邏輯回歸套用實例

4.4.2多分類邏輯回歸套用實例

4.5小結

思考題

第5章KNN算法

5.1KNN算法簡介

5.1.1KNN算法原理

5.1.2KNN算法套用舉例

5.2KNN算法的特點及改進

5.2.1KNN算法的特點

5.2.2KNN算法的改進策略

5.3KNN原始碼結果分析

5.4基於阿里雲數加平台的KNN算法套用實例

5.5小結

思考題

第6章樸素貝葉斯分類算法

6.1基本概念

6.1.1主觀機率

6.1.2貝葉斯定理

6.1.3樸素貝葉斯分類模型

6.1.4樸素貝葉斯分類器實例分析

6.2樸素貝葉斯算法的特點及套用

6.2.1樸素貝葉斯算法的特點

6.2.2樸素貝葉斯算法的套用場景

6.3樸素貝葉斯原始碼結果分析

6.4基於阿里雲數加平台的樸素貝葉斯實例

6.5小結

思考題

第7章隨機森林分類算法

7.1隨機森林算法簡介

7.1.1隨機森林算法原理

7.1.2隨機森林算法套用舉例

7.2隨機森林算法的特點及套用

7.2.1隨機森林算法的特點

7.2.2隨機森林算法的套用

7.3隨機森林算法源程式結果分析

7.4基於阿里雲數加平台的隨機森林分類實例

7.5小結

思考題

第8章支持向量機

8.1基本概念

8.1.1支持向量機理論基礎

8.1.2統計學習核心理論

8.1.3學習過程的一致性條件

8.1.4函式集的VC維

8.1.5泛化誤差界

8.1.6結構風險最小化歸納原理

8.2支持向量機原理

8.2.1支持向量機核心理論

8.2.2最大間隔分類超平面

8.2.3支持向量機

8.2.4核函式分類

8.3支持向量機的特點及套用

8.3.1支持向量機的特點

8.3.2支持向量機的套用

8.4支持向量機分類實例分析

8.5基於阿里雲數加平台的支持向量機分類實例

8.6小結

思考題

第9章人工神經網路算法

9.1基本概念

9.1.1生物神經元模型

9.1.2人工神經元模型

9.1.3主要的神經網路模型

9.2BP算法的原理

9.2.1Delta學習規則的基本原理

9.2.2BP神經網路的結構

9.2.3BP神經網路的算法描述

9.2.4標準BP神經網路的工作過程

9.3BP神經網路實例分析

9.4BP神經網路的特點及套用

9.4.1BP神經網路的特點

9.4.2BP神經網路的套用

9.5BP神經網路算法原始碼結果分析

9.6小結

思考題

第10章決策樹分類算法

10.1基本概念

10.1.1決策樹分類算法簡介

10.1.2決策樹基本算法概述

10.2決策樹分類算法——ID3算法原理

10.2.1ID3算法原理

10.2.2熵和信息增益

10.2.3ID3算法

10.3ID3算法實例分析

10.4ID3算法的特點及套用

10.4.1ID3算法的特點

10.4.2ID3算法的套用

10.5ID3算法源程式結果分析

10.6決策樹分類算法——C4.5算法原理

10.6.1C4.5算法

10.6.2C4.5算法的偽代碼

10.7C4.5算法實例分析

10.8C4.5算法的特點及套用

10.8.1C4.5算法的特點

10.8.2C4.5算法的套用

10.9C4.5源程式結果分析

10.10小結

思考題

第11章Kmeans聚類算法

11.1Kmeans聚類算法原理

11.1.1Kmeans聚類算法原理解析

11.1.2Kmeans聚類算法套用舉例

11.2Kmeans聚類算法的特點及套用

11.2.1Kmeans聚類算法的特點

11.2.2Kmeans聚類算法的套用

11.3K均值聚類算法源程式結果分析

11.4基於阿里雲數加平台的K均值聚類算法實例

11.5基於MaxComputeGraph模型的Kmeans算法源程式分析

11.6小結

第12章K中心點聚類算法

12.1K中心點聚類算法原理

12.1.1K中心點聚類算法原理解析

12.1.2K中心點聚類算法實例分析

12.2K中心點聚類算法的特點及套用

12.2.1K中心點聚類算法的特點

12.2.2K中心點聚類算法的套用

12.3K中心點算法源程式結果分析

12.4小結

思考題

第13章自組織神經網路聚類算法

13.1SOM網路簡介

13.2競爭學習算法基礎

13.2.1SOM網路結構

13.2.2SOM網路概述

13.3SOM網路原理

13.3.1SOM網路的拓撲結構

13.3.2SOM權值調整域

13.3.3SOM網路運行原理

13.3.4SOM網路學習方法

13.4SOM網路套用舉例

13.4.1問題描述

13.4.2網路設計及學習結果

13.4.3輸出結果分析

13.5SOM網路的特點及套用

13.5.1SOM網路的特點

13.5.2SOM網路的套用

13.6SOM神經網路源程式結果分析

13.7小結

思考題

第14章DBSCAN聚類算法

14.1DBSCAN算法的原理

14.1.1DBSCAN算法原理解析

14.1.2DBSCAN算法套用舉例

14.2DBSCAN算法的特點與套用

14.2.1DBSCAN算法的特點

14.2.2DBSCAN算法的套用

14.3DBSCAN源程式結果分析

14.4小結

思考題

第三篇綜合套用篇

第15章社交網路分析方法及套用

15.1社交網路簡介

15.2K核方法

15.2.1K核方法原理

15.2.2基於阿里雲數加平台的K核方法實例

15.3單源最短路徑方法

15.3.1單源最短路徑方法原理

15.3.2基於阿里雲數加平台的單源最短路徑方法實例

15.4PageRank算法

15.4.1PageRank算法原理

15.4.2PageRank算法的特點及套用

15.4.3基於阿里雲數加平台的PageRank算法實例

15.5標籤傳播算法

15.5.1標籤傳播算法原理

15.5.2基於阿里雲數加平台的標籤傳播聚類套用實例

15.6最大聯通子圖算法

15.7聚類係數算法

15.7.1聚類係數算法原理

15.7.2基於阿里雲數加平台的聚類係數算法套用實例

15.8基於阿里雲數加平台的社交網路分析實例

15.9小結

思考題

第16章文本分析方法及套用

16.1文本分析簡介

16.2TFIDF方法

16.3中文分詞方法

16.3.1基於字典或詞庫匹配的分詞方法

16.3.2基於詞的頻度統計的分詞方法

16.3.3其他中文分詞方法

16.4PLDA方法

16.4.1主題模型

16.4.2PLDA方法原理

16.5Word2Vec基本原理

16.5.1詞向量的表示方式

16.5.2統計語言模型

16.5.3霍夫曼編碼

16.5.4Word2Vec原理簡介

16.6基於阿里雲數加平台的文本分析實例

16.7小結

思考題

第17章推薦系統方法及套用

17.1推薦系統簡介

17.2基於內容的推薦算法

17.2.1基於內容的推薦算法原理

17.2.2基於內容的推薦算法的特點

17.3協同過濾推薦算法

17.3.1協同過濾推薦算法簡介

17.3.2協同過濾推薦算法的特點

17.4混合推薦算法

17.5基於阿里雲數加平台的推薦算法實例

17.6小結