大數(shù)據(jù)處理技術(shù)與應(yīng)用

第1章 互聯(lián)網(wǎng)大數(shù)據(jù)概述
1．1 認(rèn)識(shí)大數(shù)據(jù)
1．1．1 大數(shù)據(jù)的定義
1．1．2 大數(shù)據(jù)的特征
1．1．3 未來(lái)十年大數(shù)據(jù)分析的發(fā)展趨勢(shì)
1．2 常用大數(shù)據(jù)處理、分析工具介紹
1．2．1 大數(shù)據(jù)的存儲(chǔ)工具
1．2．2 大數(shù)據(jù)的軟件開(kāi)發(fā)工具
1．2．3 大數(shù)據(jù)的挖掘工具
1．2．4 大數(shù)據(jù)的可視化工具
小結(jié)
第2章 互聯(lián)網(wǎng)大數(shù)據(jù)采集與獲取實(shí)戰(zhàn)要領(lǐng)
2．1 互聯(lián)網(wǎng)大數(shù)據(jù)采集與處理技術(shù)概述
2．1．1 數(shù)據(jù)采集的基本流程與關(guān)鍵技術(shù)
2．1．2 數(shù)據(jù)處理的基本流程與關(guān)鍵技術(shù)
2．2 Web頁(yè)面數(shù)據(jù)獲取實(shí)戰(zhàn)方法
2．2．1 Jsoup技術(shù)與頁(yè)面數(shù)據(jù)獲取
2．2．2 應(yīng)對(duì)特定領(lǐng)域的Deep Web數(shù)據(jù)獲取技術(shù)
2．3 利用爬蟲(chóng)抓取互聯(lián)網(wǎng)大數(shù)據(jù)實(shí)戰(zhàn)技巧
2．3．1 Python爬蟲(chóng)工作原理
2．3．2 利用HtmlParser實(shí)現(xiàn)網(wǎng)頁(yè)鏈接的提取實(shí)戰(zhàn)
小結(jié)
第3章 做好數(shù)據(jù)預(yù)處理的實(shí)戰(zhàn)方法
3．1 數(shù)據(jù)預(yù)處理概述
3．1．1 數(shù)據(jù)預(yù)處理的目的
3．1．2 數(shù)據(jù)預(yù)處理的方法
3．2 從問(wèn)題分析到數(shù)據(jù)清洗實(shí)戰(zhàn)策略
3．2．1 數(shù)據(jù)清洗的步驟
3．2．2 缺失值的識(shí)別與處理技巧
3．2．3 異常值的判斷、檢驗(yàn)與處理
3．3 數(shù)據(jù)集成與數(shù)據(jù)轉(zhuǎn)換實(shí)戰(zhàn)方法
3．3．1 數(shù)據(jù)集成常見(jiàn)方法
3．3．2 數(shù)據(jù)轉(zhuǎn)換過(guò)程中的離散化
3．4 數(shù)據(jù)的特征選擇
3．4．1 常用數(shù)據(jù)特征選擇方法
3．4．2 Relief算法與費(fèi)希爾判別法的應(yīng)用
3．5 數(shù)據(jù)預(yù)處理實(shí)戰(zhàn)案例分析
小結(jié)
第4章 數(shù)據(jù)相關(guān)性分析與回歸分析的黃金法則
4．1 什么是數(shù)據(jù)集
4．1．1 數(shù)據(jù)集的概念與常見(jiàn)類(lèi)型
4．1．2 高效進(jìn)行數(shù)據(jù)度量的實(shí)戰(zhàn)技巧
4．2 做好數(shù)據(jù)相關(guān)性分析
4．2．1 進(jìn)行數(shù)據(jù)相關(guān)性分析的作用
4．2．2 常用的數(shù)據(jù)相關(guān)分析方法
4．3 做好數(shù)據(jù)回歸分析實(shí)戰(zhàn)要領(lǐng)
4．3．1 數(shù)據(jù)回歸分析方法概述
4．3．2 數(shù)據(jù)回歸分析所能解決的實(shí)際問(wèn)題
小結(jié)
第5章 如何利用關(guān)聯(lián)規(guī)則進(jìn)行大數(shù)據(jù)挖掘
5．1 關(guān)聯(lián)規(guī)則
5．1．1 什么是關(guān)聯(lián)規(guī)則
5．1．2 關(guān)聯(lián)規(guī)則挖掘的應(yīng)用場(chǎng)景
5．2 關(guān)聯(lián)規(guī)則挖掘?qū)崙?zhàn)流程分析
5．2．1 關(guān)聯(lián)規(guī)則常見(jiàn)分類(lèi)與四個(gè)基本屬性
5．2．2 快速找出最大高頻項(xiàng)目組的實(shí)戰(zhàn)技巧
5．3 關(guān)聯(lián)規(guī)則發(fā)掘中重要的Apriori算法
5．3．1 Apriori算法的基本原理
5．3．2 Apriori算法運(yùn)行的基本流程
5．4 針對(duì)Apriori算法缺點(diǎn)的其他關(guān)聯(lián)規(guī)則挖掘算法
5．4．1 Apriori算法的兩大缺點(diǎn)
5．4．2 基于劃分規(guī)則的算法
5．4．3 FP-Growth算法
小結(jié)
第6章 大數(shù)據(jù)分析中的四種常見(jiàn)分類(lèi)算法
6．1 分類(lèi)算法概述
6．1．1 有關(guān)分類(lèi)算法的基本概念
6．1．2 分類(lèi)算法的常見(jiàn)應(yīng)用場(chǎng)景
6．2 KNN算法
6．2．1 KNN算法的工作原理與特點(diǎn)
6．2．2 快速找到最優(yōu)k值的實(shí)用策略
6．3 決策樹(shù)與隨機(jī)森林算法
6．3．1 決策樹(shù)算法
6．3．2 Bagging與Boosting的區(qū)別
6．3．3 隨機(jī)森林分類(lèi)算法的優(yōu)勢(shì)與應(yīng)用場(chǎng)景
6．4 樸素貝葉斯分類(lèi)算法
6．4．1 樸素貝葉斯分類(lèi)算法運(yùn)行原理分析
6．4．2 貝葉斯網(wǎng)絡(luò)
6．4．3 貝葉斯決策理論
6．5 支持向量機(jī)
6．5．1 支持向量機(jī)的基本思想與特點(diǎn)
6．5．2 最優(yōu)分類(lèi)面和廣義最優(yōu)分類(lèi)面
6．5．3 非線性支持向量機(jī)與核函數(shù)
小結(jié)
第7章 大數(shù)據(jù)分析中的四種常見(jiàn)聚類(lèi)算法
7．1 大數(shù)據(jù)分析聚類(lèi)算法概述
7．1．1 聚類(lèi)分析的相關(guān)概念及應(yīng)用場(chǎng)景
7．1．2 聚類(lèi)算法運(yùn)行基礎(chǔ)：簇與距離度量
……
第8章 自組織神經(jīng)網(wǎng)絡(luò)算法與人工神經(jīng)網(wǎng)絡(luò)算法
第9章 互聯(lián)網(wǎng)大數(shù)據(jù)分析應(yīng)用產(chǎn)品個(gè)性化推薦系統(tǒng)
第10章 大數(shù)據(jù)分析在具體行業(yè)中的應(yīng)用
參考文獻(xiàn)