大數(shù)據(jù)分析原理與實踐

序
前言
教學建議
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)分析的過程、技術與難點 5
1.5　全書概覽 8
小結 10
習題 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)計量 13
2.2.1　全表統(tǒng)計量 14
2.2.2　皮爾森相關系數(shù) 15
2.3　推斷統(tǒng)計 16
2.3.1　參數(shù)估計 16
2.3.2　假設檢驗 20
2.3.3　假設檢驗的阿里云實現(xiàn) 23
小結 28
習題 28
第3章　關聯(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　回歸的阿里云實現(xiàn) 43
3.2　關聯(lián)規(guī)則分析 52
3.3　相關分析 54
小結 57
習題 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　基于機器學習分類的模型 71
4.3.1　支持向量機 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　隨機森林 78
4.3.6　樸素貝葉斯 81
4.4　分類分析實例 82
4.4.1　二分類實例 82
4.4.2　多分類實例 94
小結 101
習題 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　個體與類以及類間的親疏關系度量 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　聚類有效性的評價 112
5.4　聚類分析方法概述 112
5.5　聚類分析的應用 113
5.6　聚類分析的阿里云實現(xiàn) 114
小結 119
習題 119
第6章　結構分析模型 122
6.1　最短路徑 122
6.2　鏈接排名 123
6.3　結構計數(shù) 125
6.4　結構聚類 126
6.5　社團發(fā)現(xiàn) 128
6.5.1　社團的定義 128
6.5.2　社團的分類 128
6.5.3　社團的用途 128
6.5.4　社團的數(shù)學定義 128
6.5.5　基于阿里云的社團發(fā)現(xiàn) 130
小結 132
習題 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 137
7.2.3　TFIDF 138
7.2.4　PLDA 140
7.2.5　Word2Vec 147
小結 148
習題 149
第8章　大數(shù)據(jù)分析的數(shù)據(jù)預處理 150
8.1　數(shù)據(jù)抽樣和過濾 150
8.1.1　數(shù)據(jù)抽樣 150
8.1.2　數(shù)據(jù)過濾 154
8.1.3　基于阿里云的抽樣和過濾實現(xiàn) 154
8.2　數(shù)據(jù)標準化與歸一化 157
8.3　數(shù)據(jù)清洗 159
8.3.1　數(shù)據(jù)質量概述 159
8.3.2　缺失值填充 160
8.3.3　實體識別與真值發(fā)現(xiàn) 162
8.3.4　錯誤發(fā)現(xiàn)與修復 169
小結 171
習題 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　主成分分析的計算過程 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 196
9.3.3　因子分析的計算方法 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)絡的降維 205
9.5.1　面向神經(jīng)網(wǎng)絡的降維方法概述 205
9.5.2　如何利用神經(jīng)網(wǎng)絡降維 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方法簡介 208
9.7.2　Lasso方法 209
9.7.3　Lasso算法的適用情景 211
小結 211
習題 212
第10章　面向大數(shù)據(jù)的數(shù)據(jù)倉庫系統(tǒng) 214
10.1　數(shù)據(jù)倉庫概述 214
10.1.1　數(shù)據(jù)倉庫的基本概念 214
10.1.2　數(shù)據(jù)倉庫的內涵 215
10.1.3　數(shù)據(jù)倉庫的基本組成 215
10.1.4　數(shù)據(jù)倉庫系統(tǒng)的體系結構 216
10.1.5　數(shù)據(jù)倉庫的建立 217
10.2　分布式數(shù)據(jù)倉庫系統(tǒng) 221
10.2.1　基于Hadoop的數(shù)據(jù)倉庫系統(tǒng) 221
10.2.2　Shark：基于Spark的數(shù)據(jù)倉庫系統(tǒng) 227
10.2.3　Mesa 228
10.3　內存數(shù)據(jù)倉庫系統(tǒng) 231
10.3.1　SAP HANA 231
10.3.2　HyPer 234
10.4　阿里云數(shù)據(jù)倉庫簡介 236
小結 238
習題 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 293
習題 293
第12章　大數(shù)據(jù)計算平臺 295
12.1　Spark 295
12.1.1　Spark簡介 295
12.1.2　基于Spark的大數(shù)據(jù)分析實例 296
12.2　Hyracks 299
12.2.1　Hyracks簡介 299
12.2.2　基于Hyracks的大數(shù)據(jù)分析實例 299
12.3　DPark