大數(shù)據(jù)分析原理與實(shí)踐

序
前言
教學(xué)建議
第1章　緒論 1
1.1　什么是大數(shù)據(jù) 1
1.2　哪里有大數(shù)據(jù) 3
1.3　什么是大數(shù)據(jù)分析 4
1.4　大數(shù)據(jù)分析的過(guò)程、技術(shù)與難點(diǎn) 5
1.5　全書概覽 8
小結(jié) 10
習(xí)題 10
第2章　大數(shù)據(jù)分析模型 11
2.1　大數(shù)據(jù)分析模型建立方法 11
2.2　基本統(tǒng)計(jì)量 13
2.2.1　全表統(tǒng)計(jì)量 14
2.2.2　皮爾森相關(guān)系數(shù) 15
2.3　推斷統(tǒng)計(jì) 16
2.3.1　參數(shù)估計(jì) 16
2.3.2　假設(shè)檢驗(yàn) 20
2.3.3　假設(shè)檢驗(yàn)的阿里云實(shí)現(xiàn) 23
小結(jié) 28
習(xí)題 28
第3章　關(guān)聯(lián)分析模型 30
3.1　回歸分析 31
3.1.1　回歸分析概述 31
3.1.2　回歸模型的拓展 35
3.1.3　回歸的阿里云實(shí)現(xiàn) 43
3.2　關(guān)聯(lián)規(guī)則分析 52
3.3　相關(guān)分析 54
小結(jié) 57
習(xí)題 58
第4章　分類分析模型 60
4.1　分類分析的定義 60
4.2　判別分析的原理和方法 61
4.2.1　距離判別法 61
4.2.2　Fisher判別法 64
4.2.3　貝葉斯判別法 67
4.3　基于機(jī)器學(xué)習(xí)分類的模型 71
4.3.1　支持向量機(jī) 72
4.3.2　邏輯回歸 74
4.3.3　決策樹與回歸樹 75
4.3.4　k近鄰 78
4.3.5　隨機(jī)森林 78
4.3.6　樸素貝葉斯 81
4.4　分類分析實(shí)例 82
4.4.1　二分類實(shí)例 82
4.4.2　多分類實(shí)例 94
小結(jié) 101
習(xí)題 102
第5章　聚類分析模型 105
5.1　聚類分析的定義 105
5.1.1　基于距離的親疏關(guān)系度量 105
5.1.2　基于相似系數(shù)的相似性度量 108
5.1.3　個(gè)體與類以及類間的親疏關(guān)系度量 110
5.1.4　變量的選擇與處理 111
5.2　聚類分析的分類 111
5.3　聚類有效性的評(píng)價(jià) 112
5.4　聚類分析方法概述 112
5.5　聚類分析的應(yīng)用 113
5.6　聚類分析的阿里云實(shí)現(xiàn) 114
小結(jié) 119
習(xí)題 119
第6章　結(jié)構(gòu)分析模型 122
6.1　最短路徑 122
6.2　鏈接排名 123
6.3　結(jié)構(gòu)計(jì)數(shù) 125
6.4　結(jié)構(gòu)聚類 126
6.5　社團(tuán)發(fā)現(xiàn) 128
6.5.1　社團(tuán)的定義 128
6.5.2　社團(tuán)的分類 128
6.5.3　社團(tuán)的用途 128
6.5.4　社團(tuán)的數(shù)學(xué)定義 128
6.5.5　基于阿里云的社團(tuán)發(fā)現(xiàn) 130
小結(jié) 132
習(xí)題 133
第7章　文本分析模型 135
7.1　文本分析模型概述 135
7.2　文本分析方法概述 136
7.2.1　SplitWord 136
7.2.2　詞頻統(tǒng)計(jì) 137
7.2.3　TFIDF 138
7.2.4　PLDA 140
7.2.5　Word2Vec 147
小結(jié) 148
習(xí)題 149
第8章　大數(shù)據(jù)分析的數(shù)據(jù)預(yù)處理 150
8.1　數(shù)據(jù)抽樣和過(guò)濾 150
8.1.1　數(shù)據(jù)抽樣 150
8.1.2　數(shù)據(jù)過(guò)濾 154
8.1.3　基于阿里云的抽樣和過(guò)濾實(shí)現(xiàn) 154
8.2　數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化 157
8.3　數(shù)據(jù)清洗 159
8.3.1　數(shù)據(jù)質(zhì)量概述 159
8.3.2　缺失值填充 160
8.3.3　實(shí)體識(shí)別與真值發(fā)現(xiàn) 162
8.3.4　錯(cuò)誤發(fā)現(xiàn)與修復(fù) 169
小結(jié) 171
習(xí)題 171
第9章　降維 173
9.1　特征工程 173
9.1.1　特征工程概述 173
9.1.2　特征變換 175
9.1.3　特征選擇 178
9.1.4　特征重要性評(píng)估 183
9.2　主成分分析 191
9.2.1　什么是主成分分析 191
9.2.2　主成分分析的計(jì)算過(guò)程 192
9.2.3　基于阿里云的主成分分析 194
9.2.4　主成分的表現(xiàn)度量 195
9.3　因子分析 196
9.3.1　因子分析概述 196
9.3.2　因子分析的主要分析指標(biāo) 196
9.3.3　因子分析的計(jì)算方法 197
9.4　壓縮感知 203
9.4.1　什么是壓縮感知 203
9.4.2　壓縮感知的具體模型 204
9.5　面向神經(jīng)網(wǎng)絡(luò)的降維 205
9.5.1　面向神經(jīng)網(wǎng)絡(luò)的降維方法概述 205
9.5.2　如何利用神經(jīng)網(wǎng)絡(luò)降維 206
9.6　基于特征散列的維度縮減 207
9.6.1　特征散列方法概述 207
9.6.2　特征散列算法 207
9.7　基于Lasso算法的降維 208
9.7.1　Lasso方法簡(jiǎn)介 208
9.7.2　Lasso方法 209
9.7.3　Lasso算法的適用情景 211
小結(jié) 211
習(xí)題 212
第10章　面向大數(shù)據(jù)的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng) 214
10.1　數(shù)據(jù)倉(cāng)庫(kù)概述 214
10.1.1　數(shù)據(jù)倉(cāng)庫(kù)的基本概念 214
10.1.2　數(shù)據(jù)倉(cāng)庫(kù)的內(nèi)涵 215
10.1.3　數(shù)據(jù)倉(cāng)庫(kù)的基本組成 215
10.1.4　數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的體系結(jié)構(gòu) 216
10.1.5　數(shù)據(jù)倉(cāng)庫(kù)的建立 217
10.2　分布式數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng) 221
10.2.1　基于Hadoop的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng) 221
10.2.2　Shark：基于Spark的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng) 227
10.2.3　Mesa 228
10.3　內(nèi)存數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng) 231
10.3.1　SAP HANA 231
10.3.2　HyPer 234
10.4　阿里云數(shù)據(jù)倉(cāng)庫(kù)簡(jiǎn)介 236
小結(jié) 238
習(xí)題 239
第11章　大數(shù)據(jù)分析算法 240
11.1　大數(shù)據(jù)分析算法概述 240
11.2　回歸算法 242
11.3　關(guān)聯(lián)規(guī)則挖掘算法 248
11.4　分類算法 255
11.4.1　二分類算法 256
11.4.2　多分類算法 273
11.5　聚類算法 283
11.5.1　kmeans算法 283
11.5.2　CLARANS算法 291
小結(jié) 293
習(xí)題 293
第12章　大數(shù)據(jù)計(jì)算平臺(tái) 295
12.1　Spark 295
12.1.1　Spark簡(jiǎn)介 295
12.1.2　基于Spark的大數(shù)據(jù)分析實(shí)例 296
12.2　Hyracks 299
12.2.1　Hyracks簡(jiǎn)介 299
12.2.2　基于Hyracks的大數(shù)據(jù)分析實(shí)例 299
12.3　DPark