电子书
内容简介
本书是高校的大数据导论课程教材，清楚地介绍了大数据相关的概念、理论、术语与基础技术，并使用真实连贯的商业案例以及简单的图表，帮助读者更清晰地理解大数据技术。本书可作为高等院校相关专业“大数据基础”“大数据道路”等课程的教材，也可供有一定实践经验的软件开发人员、管理人员和所有对大数据感兴趣的人士阅读。
章节目录
- 第1章 数据科学概论
- 1.1 数据与大数据
- 1.2 大数据应用案例——从数据到知识，数据思维浅析
- 1.2.1 数据密集型科学发现
- 1.2.2 电子商务与推荐技术
- 1.2.3 网络舆情管理
- 1.2.4 数据思维
- 1.3 数据科学与数据科学家
- 1.4 数据科学与大数据技术课程的内容体系与具体内容
- 1.5 思考题
- 第2章 Python语言与数据科学
- 2.1 Python 概述
- 2.2 Python 开发环境配置
- 2.3 变量、常量和注释
- 2.4 数据类型
- 2.4.1 布尔型
- 2.4.2 整数
- 2.4.3 浮点数
- 2.4.4 字符串
- 2.4.5 列表
- 2.4.6 元组
- 2.4.7 字典
- 2.5 运算符及其优先级、表达式
- 2.6 程序的基本结构
- 2.6.1 顺序结构
- 2.6.2 分支结构
- 2.6.3 循环结构
- 2.6.4 编写完整的程序
- 2.6.5 程序实例：二分查找
- 2.7 函数以及库函数
- 2.8 面向对象编程
- 2.8.1 构造函数
- 2.8.2 对象的摧毁和垃圾回收
- 2.8.3 继承
- 2.8.4 重写
- 2.9 异常处理
- 2.10 第三方库和实例
- 2.10.1 机器学习库scikit-learn 简介
- 2.10.2 深度学习库Keras 简介
- 2.10.3 绘图库matplotlib 简介
- 2.10.4 社交网络与图数据处理库networkX 简介
- 2.10.5 自然语言处理库NLTK 简介
- 2.10.6 pandas 库入门
- 2.11 思考题
- 第3章 数据分析基础
- 3.1 数据模型
- 3.1.1 数组
- 3.1.2 图
- 3.1.3 关系模型
- 3.1.4 时序模型
- 3.2 数据分析流程与数据生命期
- 3.2.1 业务理解
- 3.2.2 数据理解
- 3.2.3 数据准备
- 3.2.4 建模
- 3.2.5 评估
- 3.2.6 部署
- 3.3 数据分析的基础方法
- 3.3.1 描述性分析
- 3.3.2 诊断性分析
- 3.3.3 预测性分析
- 3.3.4 规范分析
- 3.4 大数据平台
- 3.4.1 Hadoop
- 3.4.2 Hive
- 3.4.3 Mahout
- 3.4.4 Spark
- 3.4.5 Storm
- 3.4.6 Flink
- 3.4.7 Neo4j
- 3.5 思考题
- 第4章 数据可视化
- 4.1 可视化的定义
- 4.2 可视化发展历程
- 4.3 可视化的意义和价值
- 4.4 数据可视化的流程
- 4.5 常见可视化图表
- 4.5.1 柱状图
- 4.5.2 折线图
- 4.5.3 饼图
- 4.5.4 散点图
- 4.5.5 雷达图
- 4.6 可视化图表工具
- 4.7 思考题
- 第5章 数据分析与计算
- 5.1 机器学习简介
- 5.2 分类
- 5.2.1 支持向量机
- 5.2.2 决策树
- 5.2.3 朴素贝叶斯方法
- 5.2.4 K 最近邻（KNN）算法
- 5.2.5 逻辑斯蒂回归
- 5.2.6 分类算法的实例
- 5.3 聚类
- 5.3.1 K-Means 算法
- 5.3.2 DBSCAN 算法
- 5.3.3 聚类实例
- 5.4 回归
- 5.4.1 线性回归与多元线性回归
- 5.4.2 回归实例
- 5.5 关联规则分析
- 5.5.1 关联规则分析
- 5.5.2 关联规则分析实例
- 5.6 推荐
- 5.6.1 基于用户的协同过滤推荐
- 5.6.2 基于项目的协同过滤推荐
- 5.7 神经网络与深度学习
- 5.7.1 神经网络
- 5.7.2 深度学习
- 5.7.3 神经网络与深度学习实例
- 5.8 云计算平台与主流大数据平台
- 5.8.1 云计算平台
- 5.8.2 Hadoop 大数据处理平台与MapReduce 计算模型
- 5.8.3 Spark 大数据处理平台与DAG 计算模型
- 5.9 思考题
- 第6章 文本分析
- 6.1 文本分析的背景和意义
- 6.2 文本表达
- 6.2.1 单词的局域性表示和分布式表示
- 6.2.2 基于话题模型的文本表示
- 6.2.3 基于词嵌入的文本表示
- 6.3 文本聚类
- 6.3.1 聚类分析问题描述
- 6.3.2 常用聚类算法
- 6.4 文本分类
- 6.4.1 分类问题定义
- 6.4.2 主要文本分类方法
- 6.5 思考题
- 第7章 数据存储与管理
- 7.1 数据管理的初级阶段——文件管理
- 7.2 层次数据库和网状数据库
- 7.3 关系数据库管理系统
- 7.3.1 关系数据模型
- 7.3.2 数据操作
- 7.3.3 事务处理、并发控制和恢复技术
- 7.3.4 SQL 入门
- 7.4 NoSQL 数据库
- 7.4.1 CAP 理论与NoSQL 数据库
- 7.4.2 Key Value 数据库
- 7.4.3 Column Family 数据库
- 7.4.4 Document 数据库
- 7.4.5 Graph 数据库
- 7.5 NewSQL 及其代表VoltDB
- 7.5.1 事务的串行执行
- 7.5.2 通过存储过程存取数据库
- 7.5.3 数据分区策略考虑尽量避免跨节点数据通信
- 7.5.4 命令日志与恢复技术
- 7.6 思考题
- 第8章 数据采集与集成
- 8.1 数据采集
- 8.1.1 数据采集的重要因素
- 8.1.2 推-拉机制
- 8.1.3 发布-订阅机制
- 8.1.4 大数据收集系统
- 8.1.5 自定义连接器
- 8.2 信息抽取
- 8.2.1 信息抽取概述
- 8.2.2 半结构化数据和非结构化数据
- 8.2.3 信息抽取的关键技术
- 8.3 数据清洗
- 8.3.1 数据清洗的定义及对象
- 8.3.2 数据清洗原理
- 8.3.3 数据清洗方法
- 8.4 数据集成
- 8.4.1 数据集成概述
- 8.4.2 数据集成方法
- 8.4.3 数据集成的数据源异构问题
- 8.5 思考题
- 第9章 数据治理
- 9.1 数据治理的业务驱动力
- 9.2 数据治理的概念
- 9.3 数据治理的目标
- 9.3.1 实现价值
- 9.3.2 管控风险
- 9.4 数据治理的要素和框架
- 9.4.1 人员要素
- 9.4.2 技术要素
- 9.5 数据治理的实践
- 9.5.1 各个业务子系统的建设和数据治理同步推进
- 9.5.2 建立数据治理的组织机构，确定数据治理战略/政策和标准
- 9.5.3 规划具体的数据治理任务
- 9.5.4 开展数据治理工作
- 9.5.5 数据治理的评价
- 9.6 大数据时代数据治理的挑战
- 9.7 思考题
- 第10章 数据科学综合案例
- 10.1 利用现成分类器对Twitter 数据集进行情感分类
- 10.2 如何自行构造一个文本分类器
- 10.3 综合实例
- 10.4 思考题
- 参考文献
展开全部
数据科学与大数据技术导论是2021年由人民邮电出版社出版,作者杜小勇主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《数据科学与大数据技术导论》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
