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 未來十年大數(shù)據(jù)分析的發(fā)展趨勢
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)的存儲工具
1．2．2 大數(shù)據(jù)的軟件開發(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頁面數(shù)據(jù)獲取實戰(zhàn)方法
2．2．1 Jsoup技術(shù)與頁面數(shù)據(jù)獲取
2．2．2 應(yīng)對特定領(lǐng)域的Deep Web數(shù)據(jù)獲取技術(shù)
2．3 利用爬蟲抓取互聯(lián)網(wǎng)大數(shù)據(jù)實戰(zhàn)技巧
2．3．1 Python爬蟲工作原理
2．3．2 利用HtmlParser實現(xiàn)網(wǎng)頁鏈接的提取實戰(zhàn)
小結(jié)
第3章 做好數(shù)據(jù)預(yù)處理的實戰(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 從問題分析到數(shù)據(jù)清洗實戰(zhàn)策略
3．2．1 數(shù)據(jù)清洗的步驟
3．2．2 缺失值的識別與處理技巧
3．2．3 異常值的判斷、檢驗與處理
3．3 數(shù)據(jù)集成與數(shù)據(jù)轉(zhuǎn)換實戰(zhàn)方法
3．3．1 數(shù)據(jù)集成常見方法
3．3．2 數(shù)據(jù)轉(zhuǎn)換過程中的離散化
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算法與費希爾判別法的應(yīng)用
3．5 數(shù)據(jù)預(yù)處理實戰(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)集的概念與常見類型
4．1．2 高效進(jìn)行數(shù)據(jù)度量的實戰(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際問題
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)則常見分類與四個基本屬性
5．2．2 快速找出最大高頻項目組的實戰(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Apriori算法缺點的其他關(guān)聯(lián)規(guī)則挖掘算法
5．4．1 Apriori算法的兩大缺點
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)分析中的四種常見分類算法
6．1 分類算法概述
6．1．1 有關(guān)分類算法的基本概念
6．1．2 分類算法的常見應(yīng)用場景
6．2 KNN算法
6．2．1 KNN算法的工作原理與特點
6．2．2 快速找到最優(yōu)k值的實用策略
6．3 決策樹與隨機(jī)森林算法
6．3．1 決策樹算法
6．3．2 Bagging與Boosting的區(qū)別
6．3．3 隨機(jī)森林分類算法的優(yōu)勢與應(yīng)用場景
6．4 樸素貝葉斯分類算法
6．4．1 樸素貝葉斯分類算法運(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
6．5．2 最優(yōu)分類面和廣義最優(yōu)分類面
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)分析中的四種常見聚類算法
7．1 大數(shù)據(jù)分析聚類算法概述
7．1．1 聚類分析的相關(guān)概念及應(yīng)用場景
7．1．2 聚類算法運(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)