掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
數據科學與大數據技術導論 版權信息
- ISBN：9787115532978
- 條形碼：9787115532978 ; 978-7-115-53297-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據科學與大數據技術導論 本書特色
1.詳細介紹數據科學的基本概念和內涵2.培養讀者初步具備用開源工具進行數據分析的能力3.培訓讀者了解大數據技術的框架，為今后系統學習打下基礎4.培養讀者對大數據分析的興趣，愿意為從事該領域的工作進一步學習
數據科學與大數據技術導論 內容簡介
本書是高校的大數據導論課程教材, 清楚地介紹了大數據相關的概念、理論、術語與基礎技術, 并使用真實連貫的商業案例以及簡單的圖表, 幫助讀者更清晰地理解大數據技術。
數據科學與大數據技術導論 目錄
第1章 數據科學概論 1
1．1 數據與大數據 1
1．2 大數據應用案例——從數據到知識，數據思維淺析 2
1．2．1 數據密集型科學發現 3
1．2．2 電子商務與推薦技術 5
1．2．3 網絡輿情管理 6
1．2．4 數據思維 7
1．3 數據科學與數據科學家 7
1．4 數據科學與大數據技術課程的內容體系與具體內容 11
1．5 思考題 12
第2章 Python語言與數據科學 13
2．1 Python概述 13
2．2 Python開發環境配置 14
2．3 變量、常量和注釋 16
2．4 數據類型 16
2．4．1 布爾型 17
2．4．2 整數 17
2．4．3 浮點數 17
2．4．4 字符串 17
2．4．5 列表 18
2．4．6 元組 19
2．4．7 字典 19
2．5 運算符及其優先級、表達式 20
2．6 程序的基本結構 21
2．6．1 順序結構 21
2．6．2 分支結構 22
2．6．3 循環結構 22
2．6．4 編寫完整的程序 23
2．6．5 程序實例：二分查找 24
2．7 函數以及庫函數 24
2．8 面向對象編程 27
2．8．1 構造函數 28
2．8．2 對象的摧毀和垃圾回收 28
2．8．3 繼承 28
2．8．4 重寫 28
2．9 異常處理 29
2．10 第三方庫和實例 29
2．10．1 機器學習庫scikit-learn簡介 30
2．10．2 深度學習庫Keras簡介 30
2．10．3 繪圖庫matplotlib簡介 30
2．10．4 社交網絡與圖數據處理庫networkX簡介 31
2．10．5 自然語言處理庫NLTK簡介 31
2．10．6 pandas庫入門 31
2．11 思考題 38
第3章 數據分析基礎 39
3．1 數據模型 39
3．1．1 數組 39
3．1．2 圖 42
3．1．3 關系模型 44
3．1．4 時序模型 45
3．2 數據分析流程與數據生命期 45
3．2．1 業務理解 45
3．2．2 數據理解 46
3．2．3 數據準備 46
3．2．4 建模 46
3．2．5 評估 47
3．2．6 部署 47
3．3 數據分析的基礎方法 47
3．3．1 描述性分析 47
3．3．2 診斷性分析 48
3．3．3 預測性分析 48
3．3．4 規范分析 49
3．4 大數據平臺 49
3．4．1 Hadoop 49
3．4．2 Hive 51
3．4．3 Mahout 52
3．4．4 Spark 52
3．4．5 Storm 53
3．4．6 Flink 53
3．4．7 Neo4j 54
3．5 思考題 54
第4章 數據可視化 55
4．1 可視化的定義 55
4．2 可視化發展歷程 55
4．3 可視化的意義和價值 57
4．4 數據可視化的流程 59
4．5 常見可視化圖表 59
4．5．1 柱狀圖 60
4．5．2 折線圖 61
4．5．3 餅圖 61
4．5．4 散點圖 61
4．5．5 雷達圖 61
4．6 可視化圖表工具 62
4．7 思考題 64
第5章 數據分析與計算 65
5．1 機器學習簡介 65
5．2 分類 67
5．2．1 支持向量機 67
5．2．2 決策樹 70
5．2．3 樸素貝葉斯方法 72
5．2．4 K*近鄰（KNN）算法 75
5．2．5 邏輯斯蒂回歸 76
5．2．6 分類算法的實例 77
5．3 聚類 81
5．3．1 K-Means算法 81
5．3．2 DBSCAN算法 83
5．3．3 聚類實例 85
5．4 回歸 88
5．4．1 線性回歸與多元線性回歸 88
5．4．2 回歸實例 90
5．5 關聯規則分析 92
5．5．1 關聯規則分析 92
5．5．2 關聯規則分析實例 95
5．6 推薦 97
5．6．1 基于用戶的協同過濾推薦 98
5．6．2 基于項目的協同過濾推薦 100
5．7 神經網絡與深度學習 101
5．7．1 神經網絡 101
5．7．2 深度學習 104
5．7．3 神經網絡與深度學習實例 112
5．8 云計算平臺與主流大數據平臺 119
5．8．1 云計算平臺 119
5．8．2 Hadoop大數據處理平臺與MapReduce計算模型 121
5．8．3 Spark大數據處理平臺與DAG計算模型 128
5．9 思考題 134
第6章 文本分析 135
6．1 文本分析的背景和意義 135
6．2 文本表達 136
6．2．1 單詞的局域性表示和分布式表示 136
6．2．2 基于話題模型的文本表示 139
6．2．3 基于詞嵌入的文本表示 139
6．3 文本聚類 140
6．3．1 聚類分析問題描述 141
6．3．2 常用聚類算法 142
6．4 文本分類 144
6．4．1 分類問題定義 144
6．4．2 主要文本分類方法 144
6．5 思考題 149
第7章 數據存儲與管理 150
7．1 數據管理的初級階段——文件管理 150
7．2 層次數據庫和網狀數據庫 151
7．3 關系數據庫管理系統 153
7．3．1 關系數據模型 153
7．3．2 數據操作 154
7．3．3 事務處理、并發控制和恢復技術 155
7．3．4 SQL入門 156
7．4 NoSQL數據庫 160
7．4．1 CAP理論與NoSQL數據庫 160
7．4．2 Key Value數據庫 161
7．4．3 Column Family數據庫 164
7．4．4 Document數據庫 165
7．4．5 Graph數據庫 166
7．5 NewSQL及其代表VoltDB 167
7．5．1 事務的串行執行 167
7．5．2 通過存儲過程存取數據庫 167
7．5．3 數據分區策略考慮盡量避免跨節點數據通信 168
7．5．4 命令日志與恢復技術 168
7．6 思考題 168
第8章 數據采集與集成 170
8．1 數據采集 170
8．1．1 數據采集的重要因素 171
8．1．2 推-拉機制 171
8．1．3 發布-訂閱機制 172
8．1．4 大數據收集系統 172
8．1．5 自定義連接器 173
8．2 信息抽取 173
8．2．1 信息抽取概述 174
8．2．2 半結構化數據和非結構化數據 174
8．2．3 信息抽取的關鍵技術 176
8．3 數據清洗 178
8．3．1 數據清洗的定義及對象 178
8．3．2 數據清洗原理 179
8．3．3 數據清洗方法 179
8．4 數據集成 181
8．4．1 數據集成概述 182
8．4．2 數據集成方法 183
8．4．3 數據集成的數據源異構問題 186
8．5 思考題 188
第9章 數據治理 189
9．1 數據治理的業務驅動力 189
9．2 數據治理的概念 190
9．3 數據治理的目標 191
9．3．1 實現價值 191
9．3．2 管控風險 192
9．4 數據治理的要素和框架 192
9．4．1 人員要素 194
9．4．2 技術要素 196
9．5 數據治理的實踐 201
9．5．1 各個業務子系統的建設和數據治理同步推進 201
9．5．2 建立數據治理的組織機構，確定數據治理戰略/政策和標準 201
9．5．3 規劃具體的數據治理任務 201
9．5．4 開展數據治理工作 202
9．5．5 數據治理的評價 203
9．6 大數據時代數據治理的挑戰 203
9．7 思考題 204
第10章 數據科學綜合案例 205
10．1 利用現成分類器對Twitter數據集進行情感分類 206
10．2 如何自行構造一個文本分類器 209
10．3 綜合實例 218
10．4 思考題 232
參考文獻 233
1．1 數據與大數據 1
1．2 大數據應用案例——從數據到知識，數據思維淺析 2
1．2．1 數據密集型科學發現 3
1．2．2 電子商務與推薦技術 5
1．2．3 網絡輿情管理 6
1．2．4 數據思維 7
1．3 數據科學與數據科學家 7
1．4 數據科學與大數據技術課程的內容體系與具體內容 11
1．5 思考題 12
第2章 Python語言與數據科學 13
2．1 Python概述 13
2．2 Python開發環境配置 14
2．3 變量、常量和注釋 16
2．4 數據類型 16
2．4．1 布爾型 17
2．4．2 整數 17
2．4．3 浮點數 17
2．4．4 字符串 17
2．4．5 列表 18
2．4．6 元組 19
2．4．7 字典 19
2．5 運算符及其優先級、表達式 20
2．6 程序的基本結構 21
2．6．1 順序結構 21
2．6．2 分支結構 22
2．6．3 循環結構 22
2．6．4 編寫完整的程序 23
2．6．5 程序實例：二分查找 24
2．7 函數以及庫函數 24
2．8 面向對象編程 27
2．8．1 構造函數 28
2．8．2 對象的摧毀和垃圾回收 28
2．8．3 繼承 28
2．8．4 重寫 28
2．9 異常處理 29
2．10 第三方庫和實例 29
2．10．1 機器學習庫scikit-learn簡介 30
2．10．2 深度學習庫Keras簡介 30
2．10．3 繪圖庫matplotlib簡介 30
2．10．4 社交網絡與圖數據處理庫networkX簡介 31
2．10．5 自然語言處理庫NLTK簡介 31
2．10．6 pandas庫入門 31
2．11 思考題 38
第3章 數據分析基礎 39
3．1 數據模型 39
3．1．1 數組 39
3．1．2 圖 42
3．1．3 關系模型 44
3．1．4 時序模型 45
3．2 數據分析流程與數據生命期 45
3．2．1 業務理解 45
3．2．2 數據理解 46
3．2．3 數據準備 46
3．2．4 建模 46
3．2．5 評估 47
3．2．6 部署 47
3．3 數據分析的基礎方法 47
3．3．1 描述性分析 47
3．3．2 診斷性分析 48
3．3．3 預測性分析 48
3．3．4 規范分析 49
3．4 大數據平臺 49
3．4．1 Hadoop 49
3．4．2 Hive 51
3．4．3 Mahout 52
3．4．4 Spark 52
3．4．5 Storm 53
3．4．6 Flink 53
3．4．7 Neo4j 54
3．5 思考題 54
第4章 數據可視化 55
4．1 可視化的定義 55
4．2 可視化發展歷程 55
4．3 可視化的意義和價值 57
4．4 數據可視化的流程 59
4．5 常見可視化圖表 59
4．5．1 柱狀圖 60
4．5．2 折線圖 61
4．5．3 餅圖 61
4．5．4 散點圖 61
4．5．5 雷達圖 61
4．6 可視化圖表工具 62
4．7 思考題 64
第5章 數據分析與計算 65
5．1 機器學習簡介 65
5．2 分類 67
5．2．1 支持向量機 67
5．2．2 決策樹 70
5．2．3 樸素貝葉斯方法 72
5．2．4 K*近鄰（KNN）算法 75
5．2．5 邏輯斯蒂回歸 76
5．2．6 分類算法的實例 77
5．3 聚類 81
5．3．1 K-Means算法 81
5．3．2 DBSCAN算法 83
5．3．3 聚類實例 85
5．4 回歸 88
5．4．1 線性回歸與多元線性回歸 88
5．4．2 回歸實例 90
5．5 關聯規則分析 92
5．5．1 關聯規則分析 92
5．5．2 關聯規則分析實例 95
5．6 推薦 97
5．6．1 基于用戶的協同過濾推薦 98
5．6．2 基于項目的協同過濾推薦 100
5．7 神經網絡與深度學習 101
5．7．1 神經網絡 101
5．7．2 深度學習 104
5．7．3 神經網絡與深度學習實例 112
5．8 云計算平臺與主流大數據平臺 119
5．8．1 云計算平臺 119
5．8．2 Hadoop大數據處理平臺與MapReduce計算模型 121
5．8．3 Spark大數據處理平臺與DAG計算模型 128
5．9 思考題 134
第6章 文本分析 135
6．1 文本分析的背景和意義 135
6．2 文本表達 136
6．2．1 單詞的局域性表示和分布式表示 136
6．2．2 基于話題模型的文本表示 139
6．2．3 基于詞嵌入的文本表示 139
6．3 文本聚類 140
6．3．1 聚類分析問題描述 141
6．3．2 常用聚類算法 142
6．4 文本分類 144
6．4．1 分類問題定義 144
6．4．2 主要文本分類方法 144
6．5 思考題 149
第7章 數據存儲與管理 150
7．1 數據管理的初級階段——文件管理 150
7．2 層次數據庫和網狀數據庫 151
7．3 關系數據庫管理系統 153
7．3．1 關系數據模型 153
7．3．2 數據操作 154
7．3．3 事務處理、并發控制和恢復技術 155
7．3．4 SQL入門 156
7．4 NoSQL數據庫 160
7．4．1 CAP理論與NoSQL數據庫 160
7．4．2 Key Value數據庫 161
7．4．3 Column Family數據庫 164
7．4．4 Document數據庫 165
7．4．5 Graph數據庫 166
7．5 NewSQL及其代表VoltDB 167
7．5．1 事務的串行執行 167
7．5．2 通過存儲過程存取數據庫 167
7．5．3 數據分區策略考慮盡量避免跨節點數據通信 168
7．5．4 命令日志與恢復技術 168
7．6 思考題 168
第8章 數據采集與集成 170
8．1 數據采集 170
8．1．1 數據采集的重要因素 171
8．1．2 推-拉機制 171
8．1．3 發布-訂閱機制 172
8．1．4 大數據收集系統 172
8．1．5 自定義連接器 173
8．2 信息抽取 173
8．2．1 信息抽取概述 174
8．2．2 半結構化數據和非結構化數據 174
8．2．3 信息抽取的關鍵技術 176
8．3 數據清洗 178
8．3．1 數據清洗的定義及對象 178
8．3．2 數據清洗原理 179
8．3．3 數據清洗方法 179
8．4 數據集成 181
8．4．1 數據集成概述 182
8．4．2 數據集成方法 183
8．4．3 數據集成的數據源異構問題 186
8．5 思考題 188
第9章 數據治理 189
9．1 數據治理的業務驅動力 189
9．2 數據治理的概念 190
9．3 數據治理的目標 191
9．3．1 實現價值 191
9．3．2 管控風險 192
9．4 數據治理的要素和框架 192
9．4．1 人員要素 194
9．4．2 技術要素 196
9．5 數據治理的實踐 201
9．5．1 各個業務子系統的建設和數據治理同步推進 201
9．5．2 建立數據治理的組織機構，確定數據治理戰略/政策和標準 201
9．5．3 規劃具體的數據治理任務 201
9．5．4 開展數據治理工作 202
9．5．5 數據治理的評價 203
9．6 大數據時代數據治理的挑戰 203
9．7 思考題 204
第10章 數據科學綜合案例 205
10．1 利用現成分類器對Twitter數據集進行情感分類 206
10．2 如何自行構造一個文本分類器 209
10．3 綜合實例 218
10．4 思考題 232
參考文獻 233
展開全部
數據科學與大數據技術導論 作者簡介
杜小勇，中國人民大學信息學院教授，博士生導師。我國著名的數據庫專家，曾擔任過國家863計劃數據庫重大專項專家組組長，現為中國計算機學會數據庫專業委員會主任。致力于數據庫系統核心技術的研發與成果轉化，科研成果先后獲得過北京市科技進步一等獎，中國計算機學會科學技術一等獎，以及教育部科技進步一等獎等。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
詩經-先民的歌唱
- >
姑媽的寶刀
- >
莉莉和章魚
- >
山海經
- >
羅曼·羅蘭讀書隨筆-精裝
- >
中國歷史的瞬間
本類暢銷
