图书信息
图书目录
大数据分析（第2版）
本书是大数据新兴领域“十四五”高等教育教材。本书全面介绍大数据分析的相关概念、方法与技术。全书分为基础篇、方法篇与应用篇三篇，共9章。基础篇包含第1章，介绍大数据分析的基本概念和知识；方法篇包含第2～6章，分别介绍常用的大数据分析平台、大数据统计分析、大数据机器学习、深度学习以及图挖掘与分析的相关知识；应用篇包含第7～9章，分别介绍文本数据、多媒体数据以及社会媒体数据三类典型大数据的分析与应用。本书提供了丰富的习题以帮助读者巩固所学的内容。
本书既可作为高等学校大数据相关专业本科生或研究生的教材，也可供大数据分析领域的专业技术人员参考。
作者：
主编 程学旗 副主编 靳小龙 刘盛华 李家宁
定价：
42.00 元
出版时间：
2025-12-18
ISBN：
978-7-04-063683-3
物料号：
63683-00
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机科学与技术专业课程
重点项目：
战略性新兴领域-十四五 高等教育教材
版面字数：
360.00千字
开本：
16开
装帧形式：
平装
页数：
256
最新印次时间：
2025年12月
- 目录
- 前辅文
- 基础篇
- 第1章 大数据分析概述
- 1.1 大数据
- 1.1.1 大数据的由来
- 1.1.2 大数据的典型特征
- 1.1.1 大数据的由来
- 1.2 大数据分析
- 1.2.1 大数据分析的内涵
- 1.2.2 大数据分析的类型
- 1.2.3 大数据分析算法与系统
- 1.2.1 大数据分析的内涵
- 1.3 大数据分析进阶
- 1.3.1 数据编织
- 1.3.2 数据分析算法安全
- 1.3.1 数据编织
- 1.1 大数据
- 第1章 大数据分析概述
- 方法篇
- 第2章 大数据分析平台
- 2.1 机器学习大数据分析平台
- 2.1.1 PyTorch
- 2.1.2 TensorFlow
- 2.1.3 PaddlePaddle
- 2.1.1 PyTorch
- 2.2 分布式大数据分析平台
- 2.2.1 Impala
- 2.2.2 Spark ML
- 2.2.3 Apache Pig
- 2.2.1 Impala
- 2.3 多源异构大数据分析平台
- 2.3.1 Delta Lake
- 2.3.2 Apache Doris
- 2.3.3 Apache Presto
- 2.3.1 Delta Lake
- 习题
- 2.1 机器学习大数据分析平台
- 第3章 大数据统计分析
- 3.1 相关性分析
- 3.1.1 相关关系
- 3.1.2 传统统计相关性分析
- 3.1.3 大数据中的统计相关性分析
- 3.1.1 相关关系
- 3.2 统计分析与哈希
- 3.2.1 哈希基本概念
- 3.2.2 局部敏感哈希
- 3.2.3 发现相似性
- 3.2.4 最小计数Sketch
- 3.2.1 哈希基本概念
- 3.3 线性回归分析
- 3.3.1 向量空间基本概念
- 3.3.2 线性回归
- 3.3.3 最小二乘法
- 3.3.4 略图方法
- 3.3.1 向量空间基本概念
- 习题
- 3.1 相关性分析
- 第4章 大数据机器学习
- 4.1 机器学习概述
- 4.1.1 基本概念和流程
- 4.1.2 体系分类
- 4.1.3 机器学习基础理论
- 4.1.4 大数据时代的机器学习
- 4.1.1 基本概念和流程
- 4.2 决策树与集成学习
- 4.2.1 决策树
- 4.2.2 集成学习概述
- 4.2.3 梯度提升决策树
- 4.2.4 随机森林
- 4.2.1 决策树
- 4.3 概率图模型
- 4.3.1 隐马尔可夫模型
- 4.3.2 条件随机场
- 4.3.3 主题模型
- 4.3.1 隐马尔可夫模型
- 习题
- 4.1 机器学习概述
- 第5章 深度学习
- 5.1 深度学习基础
- 5.1.1 深度学习概述
- 5.1.2 神经网络结构
- 5.1.3 神经网络训练算法
- 5.1.1 深度学习概述
- 5.2 深度学习进阶
- 5.2.1 高级网络结构
- 5.2.2 生成模型
- 5.2.3 大模型范式
- 5.2.1 高级网络结构
- 5.3 深度学习对抗攻防
- 5.3.1 对抗鲁棒性概述
- 5.3.2 对抗攻击算法
- 5.3.3 对抗防御算法
- 5.3.1 对抗鲁棒性概述
- 习题
- 5.1 深度学习基础
- 第6章 图挖掘与分析
- 6.1 大图模式分析
- 6.1.1 图与幂律分布定义
- 6.1.2 静态图相关模式
- 6.1.3 动态图相关模式
- 6.1.1 图与幂律分布定义
- 6.2 稠密子图检测
- 6.2.1 稠密子图检测
- 6.2.2 二部图稠密子图检测
- 6.2.3 谱图理论与稠密子图检测
- 6.2.4 稠密子张量检测
- 6.2.1 稠密子图检测
- 6.3 图摘要与图划分
- 6.3.1 图摘要概念
- 6.3.2 图摘要算法
- 6.3.3 图划分概念
- 6.3.4 图划分与社区检测算法
- 6.3.1 图摘要概念
- 6.4 图表示学习与图神经网络
- 6.4.1 图表示学习定义
- 6.4.2 图表示学习算法与模型
- 6.4.3 图卷积神经网络定义
- 6.4.4 图卷积神经网络模型
- 6.4.1 图表示学习定义
- 习题
- 6.1 大图模式分析
- 第2章 大数据分析平台
- 应用篇
- 第7章 文本数据分析
- 7.1 文本表达
- 7.1.1 排序学习模型
- 7.1.2 上下文单词预测模型
- 7.1.3 全局词向量表示模型
- 7.1.4 预训练语言模型
- 7.1.1 排序学习模型
- 7.2 文本匹配
- 7.2.1 文本匹配任务
- 7.2.2 基于神经网络的文本匹配
- 7.2.3 基于预训练模型的文本匹配
- 7.2.4 文本匹配的评价
- 7.2.1 文本匹配任务
- 7.3 文本挖掘
- 7.3.1 文本预处理
- 7.3.2 文本分类与聚类
- 7.3.3 文本知识抽取
- 7.3.4 文本情感分析
- 7.3.1 文本预处理
- 7.4 文本生成
- 7.4.1 文本生成简介
- 7.4.2 基于神经网络的文本生成
- 7.4.3 基于预训练模型的文本生成
- 7.4.4 基于大语言模型的文本生成
- 7.4.5 文本生成的评价
- 7.4.1 文本生成简介
- 习题
- 7.1 文本表达
- 第8章 多媒体数据分析
- 8.1 概述
- 8.1.1 多媒体数据分析
- 8.1.2 应用案例
- 8.1.1 多媒体数据分析
- 8.2 多媒体数据处理
- 8.2.1 图像处理
- 8.2.2 音频处理
- 8.2.3 视频处理
- 8.2.1 图像处理
- 8.3 多媒体数据挖掘
- 8.3.1 聚类与关联分析
- 8.3.2 分类与识别
- 8.3.3 序列分析与预测
- 8.3.1 聚类与关联分析
- 8.4 多媒体数据可视化
- 8.4.1 多媒体数据可视化工具
- 8.4.2 视频摘要
- 8.4.1 多媒体数据可视化工具
- 习题
- 8.1 概述
- 第9章 社会媒体数据分析
- 9.1 社会媒体数据基本分析方法
- 9.1.1 社交网络的度量方法
- 9.1.2 PageRank算法
- 9.1.3 PageRank算法优化
- 9.1.4 SimRank算法
- 9.1.1 社交网络的度量方法
- 9.2 社会媒体数据基础应用
- 9.2.1 用户画像
- 9.2.2 信息传播与影响力最大化
- 9.2.3 跨网络用户映射
- 9.2.1 用户画像
- 9.3 社会媒体数据综合分析
- 9.3.1 社交机器人检测
- 9.3.2 基于位置的社交网络
- 9.3.3 社交网络广告投放
- 9.3.1 社交机器人检测
- 习题
- 9.1 社会媒体数据基本分析方法
- 第7章 文本数据分析
- 参考文献
- 前辅文
相关图书
1