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
大數據分析基礎 版權信息
- ISBN：9787302674139
- 條形碼：9787302674139 ; 978-7-302-67413-9
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
大數據分析基礎 本書特色
“普通高等院校網絡與新媒體專業系列教材”凝聚了眾多網絡與新媒體領域專家學者的智慧與心血，注重理論與實踐相結合、教育與應用并重、系統知識與課后習題相呼應，是兼具前瞻性、系統性、知識性和實操性的教學范本。同時，我們充分借鑒了國內外網絡與新媒體專業教學實踐的先進經驗，確保內容的時效性。作為一套面向未來的系列教材，本系列教材不僅注重向學生傳授專業知識，更注重培養學生的創新思維和專業實踐能力。我們深切希望，通過對本系列教材的學習，學生能夠深入理解網絡與新媒體的本質與發展規律，熟練掌握相關技術與工具，具備扎實的專業素養和專業技能，在未來的媒體崗位工作中能熟練運用專業技能，提升創新能力，為社會做出貢獻。
大數據分析基礎 內容簡介
"《大數據分析基礎》是傳媒專業的研究方法類課程教材，具體介紹了大數據分析的基本原理、主要方法、技術操作、研究應用以及常見工具，系統講解了從數據收集到分析、挖掘的全套研究流程。本教材聚焦于傳播學科與大數據科學的交叉領域，旨在拓寬相關專業學生的學術視野，提供更加豐富和精確的研究工具。 本教材共分 10 章，分別介紹了在計算傳播學研究中常用的大數據方法。第 1 章主要介紹了大數據的獲取方法，第 2 章至第 10 章分別介紹了文本分析、情感分析、聚類分析、主題模型、機器學習、自動文本分析、社會網絡分析、語義網絡分析、虛擬仿真等具體的大數據分析方法。 本教材將研究方法與研究案例相結合，內容豐富，難易適中，注重系統性、科學性、實用性、時代性和引導性，既可作為傳媒專業及交叉學科教師、研究生、本科生、大中專院校學生的教學、實踐與研究資料，又可作為傳媒從業者、市場營銷人員和社會科學研究者等讀者的參考讀物。 《大數據分析基礎》提供課件，請掃描封底二維碼獲取。"
大數據分析基礎 目錄
第1章 大數據的獲取 001
1.1 大數據獲取方式 001
1.1.1 網絡公開數據獲取 001
1.1.2 網絡爬蟲獲取 007
1.2 使用GooSeeker獲取網絡數據 015
1.2.1 GooSeeker簡介 015
1.2.2 GooSeeker的優勢與應用 015
1.2.3 GooSeeker的操作步驟 016
1.3 使用Python獲取網絡數據 018
1.3.1 Python和PyCharm介紹 019
1.3.2 Python的優勢和適用領域 019
1.3.3 Python和PyCharm的下載安裝 020
1.3.4 Python和PyCharm的使用步驟 022
1.3.5 使用Python爬取網絡數據的步驟 025
本章小結 027
核心概念 028
思考題 028
第2章 文本分析 029
2.1 文本分析概述 029
2.1.1 文本分析的概念 029
2.1.2 文本分析的對象 030
2.1.3 文本分析的流程 031
2.1.4 文本分析的應用 032
2.2 文本規范化 033
2.2.1 詞語切割 033
2.2.2 停用詞去除 044
2.2.3 詞干提取 046
2.2.4 詞形還原 047
2.2.5 詞性標注 048
2.2.6 詞頻統計與詞云圖制作 052
2.3 文本關鍵詞提取 054
2.3.1 關鍵詞提取方法的分類 054
2.3.2 關鍵詞提取算法 055
2.4 文本向量化 058
2.4.1 離散表示 059
2.4.2 分布式表示 059
2.4.3 Word2vec實現文本向量化或
進行詞向量的訓練 063
2.4.4 文本向量化的應用 065
2.5 文本分析技術操作 065
2.5.1 詞性標注與詞頻統計 065
2.5.2 關鍵詞提取與詞云圖制作 067
2.6 案例分析 068
2.6.1 文本分析在媒體報道中的應用 068
2.6.2 文本分析在社交媒體平臺中的應用 069
本章小結 075
核心概念 076
思考題 077
第3章 情感分析 078
3.1 情感分析概述 078
3.1.1 情感分析的概念 078
3.1.2 情感分析的分類 078
3.1.3 情感分析的研究框架 079
3.2 英文文本情感分析 080
3.2.1 情感信息抽取 080
3.2.2 情感信息分類 087
3.3 中文文本情感分析 091
3.3.1 基于詞典匹配的情感分類方法 091
3.3.2 有監督機器學習的情感分類方法 096
3.3.3 中文文本情感分析的Python實現案例 098
3.4 研究案例 107
3.4.1 情感分析在風險傳播研究中的應用 107
3.4.2 情感分析在健康傳播研究中的應用 108
3.4.3 情感分析在傳播學研究中的方法探索 112
本章小結 113
核心概念 113
思考題 115
第4章 聚類分析 116
4.1 聚類分析概述 117
4.1.1 認識聚類和簇 117
4.1.2 聚類分析的概念 119
4.1.3 聚類分析的分類 120
4.1.4 聚類分析的原理及基本過程 121
4.2 聚類分析方法 122
4.2.1 K-means聚類 122
4.2.2 DBSCAN 132
4.2.3 凝聚層次聚類 134
4.3 實戰演練 137
4.4 案例介紹 141
4.4.1 聚類分析在新聞報道研究中的運用 141
4.4.2 聚類分析在社交媒體研究中的運用 143
本章小結 146
核心概念 147
思考題 147
第5章 主題模型 148
5.1 主題模型概述 149
5.1.1 主題模型的概念 149
5.1.2 主題模型的主要內容 150
5.1.3 主題模型涉及的數學概念 154
5.2 主要模型類型 156
5.2.1 LSA模型和pLSA模型 156
5.2.2 LDA模型 158
5.3 技術操作 160
5.3.1 系統配置和文本預處理 160
5.3.2 LDA模型分析 164
5.3.3 結果探討 167
5.4 案例研究 170
5.4.1 LDA模型在傳播學中的方法探索 171
5.4.2 LDA模型的傳播學分析實踐 172
5.4.3 主題模型在科學傳播研究中的應用 174
5.4.4 主題模型在政治傳播研究中的應用 176
5.4.5 主題模型的主要應用方向及面臨的挑戰 178
本章小結 179
核心概念 179
思考題 180
第6章 機器學習 182
6.1 機器學習概述 182
6.1.1 機器學習的定義及關鍵術語 182
6.1.2 機器學習的分類及步驟 184
6.2 線性回歸算法 187
6.2.1 原理簡述及基本概念介紹 187
6.2.2 線性回歸算法的Python
實現 189
6.3 支持向量機 191
6.3.1 原理簡述及基本概念介紹 191
6.3.2 支持向量機的Python實現 193
6.4 使用WEKA進行機器學習 195
6.5 應用機器學習發掘數據潛力 203
6.5.1 從衛星圖像中提取社會經濟數據并預測貧困 204
6.5.2 通過視頻觀測政治候選人的情緒表現如何影響選民印象 205
本章小結 207
核心概念 207
思考題 208
第7章 自動文本分析 209
7.1 自動文本分析概述 209
7.1.1 自動文本分析的發展歷程 209
7.1.2 自動文本分析的原則 210
7.1.3 自動文本分析的步驟 211
7.2 有監督機器學習 216
7.2.1 有監督機器學習概述 216
7.2.2 有監督機器學習的步驟 217
7.3 有監督機器學習下文本分類的不同算法 219
7.3.1 統計學習算法：樸素貝葉斯 219
7.3.2 基于實例分類：K近鄰法 223
7.3.3 基于邏輯的算法：決策樹 224
7.4 不同算法的機器學習應用 226
7.4.1 前期操作 226
7.4.2 數據預處理 228
7.4.3 引入算法 229
7.5 案例研究 231
7.5.1 自動文本分析在政治傳播研究中的應用 231
7.5.2 自動文本分析在文化研究中的應用 233
7.5.3 自動文本分析在健康傳播研究中的應用 235
本章小結 237
核心概念 237
思考題 238
第8章 社會網絡分析 239
8.1 社會網絡分析概述 239
8.1.1 社會網絡的概念 239
8.1.2 社會網絡分析基礎知識 240
8.1.3 社會網絡的形式化表達 242
8.1.4 社會網絡的常見分類 243
8.2 整體網絡測量 246
8.2.1 密度 246
8.2.2 核心邊緣結構 248
8.3 中心性分析 249
8.3.1 點度中心性 249
8.3.2 中間(中介)中心性 253
8.3.3 接近中心性(整體中心性) 255
8.3.4 特征向量中心性 256
8.4 凝聚子群分析 257
8.5 使用UCINET進行社會網絡計算 257
8.5.1 UCINET的運行環境 257
8.5.2 UCINET數據導入導出與數據處理 259
8.6 網絡可視化分析 266
8.6.1 NetDraw 266
8.6.2 Gephi 266
8.6.3 導出數據 271
8.7 案例研究 271
8.7.1 社會網絡分析在網絡結構研究中的應用 271
8.7.2 社會網絡分析在社會資本研究中的應用 273
8.7.3 社會網絡分析在同質性研究中的應用 274
本章小結 276
核心概念 276
思考題 277
第9章 語義網絡分析 278
9.1 語義網絡分析概述 278
9.1.1 語義網絡分析的基本概念 278
9.1.2 語義網絡分析的流程結構 278
9.2 語義網絡分析的結構特征 279
9.3 語義網絡分析的常用工具 280
9.3.1 ROST CM6 280
9.3.2 Python 282
9.3.3 結果探討 287
9.4 研究案例 288
9.4.1 語義網絡分析在學科發展領域的應用 288
9.4.2 語義網絡分析在媒體報道分析層面的應用 291
9.4.3 語義網絡分析在數字平臺用戶層面的應用 294
本章小結 296
核心概念 297
思考題 297
第10章 虛擬仿真 298
10.1 虛擬仿真概述 298
10.1.1 虛擬仿真的基本概念 298
10.1.2 ABM的發展和應用 299
10.1.3 ABM建模 300
10.1.4 ABM的核心概念 301
10.1.5 ABM方法的優點 302
10.2 NetLogo 303
10.2.1 基本編程概念 303
10.2.2 認識NetLogo 304
10.3 實戰演練 310
10.3.1 模擬程序的流程 310
10.3.2 SIR模型 312
10.4 案例分析 320
10.4.1 ABM仿真模擬的兩個研究方向 320
10.4.2 ABM仿真模擬在信息傳播和社交媒體中的應用 322
10.4.3 ABM仿真模擬在健康傳播中的應用 324
本章小結 325
核心概念 326
思考題 326
1.1 大數據獲取方式 001
1.1.1 網絡公開數據獲取 001
1.1.2 網絡爬蟲獲取 007
1.2 使用GooSeeker獲取網絡數據 015
1.2.1 GooSeeker簡介 015
1.2.2 GooSeeker的優勢與應用 015
1.2.3 GooSeeker的操作步驟 016
1.3 使用Python獲取網絡數據 018
1.3.1 Python和PyCharm介紹 019
1.3.2 Python的優勢和適用領域 019
1.3.3 Python和PyCharm的下載安裝 020
1.3.4 Python和PyCharm的使用步驟 022
1.3.5 使用Python爬取網絡數據的步驟 025
本章小結 027
核心概念 028
思考題 028
第2章 文本分析 029
2.1 文本分析概述 029
2.1.1 文本分析的概念 029
2.1.2 文本分析的對象 030
2.1.3 文本分析的流程 031
2.1.4 文本分析的應用 032
2.2 文本規范化 033
2.2.1 詞語切割 033
2.2.2 停用詞去除 044
2.2.3 詞干提取 046
2.2.4 詞形還原 047
2.2.5 詞性標注 048
2.2.6 詞頻統計與詞云圖制作 052
2.3 文本關鍵詞提取 054
2.3.1 關鍵詞提取方法的分類 054
2.3.2 關鍵詞提取算法 055
2.4 文本向量化 058
2.4.1 離散表示 059
2.4.2 分布式表示 059
2.4.3 Word2vec實現文本向量化或
進行詞向量的訓練 063
2.4.4 文本向量化的應用 065
2.5 文本分析技術操作 065
2.5.1 詞性標注與詞頻統計 065
2.5.2 關鍵詞提取與詞云圖制作 067
2.6 案例分析 068
2.6.1 文本分析在媒體報道中的應用 068
2.6.2 文本分析在社交媒體平臺中的應用 069
本章小結 075
核心概念 076
思考題 077
第3章 情感分析 078
3.1 情感分析概述 078
3.1.1 情感分析的概念 078
3.1.2 情感分析的分類 078
3.1.3 情感分析的研究框架 079
3.2 英文文本情感分析 080
3.2.1 情感信息抽取 080
3.2.2 情感信息分類 087
3.3 中文文本情感分析 091
3.3.1 基于詞典匹配的情感分類方法 091
3.3.2 有監督機器學習的情感分類方法 096
3.3.3 中文文本情感分析的Python實現案例 098
3.4 研究案例 107
3.4.1 情感分析在風險傳播研究中的應用 107
3.4.2 情感分析在健康傳播研究中的應用 108
3.4.3 情感分析在傳播學研究中的方法探索 112
本章小結 113
核心概念 113
思考題 115
第4章 聚類分析 116
4.1 聚類分析概述 117
4.1.1 認識聚類和簇 117
4.1.2 聚類分析的概念 119
4.1.3 聚類分析的分類 120
4.1.4 聚類分析的原理及基本過程 121
4.2 聚類分析方法 122
4.2.1 K-means聚類 122
4.2.2 DBSCAN 132
4.2.3 凝聚層次聚類 134
4.3 實戰演練 137
4.4 案例介紹 141
4.4.1 聚類分析在新聞報道研究中的運用 141
4.4.2 聚類分析在社交媒體研究中的運用 143
本章小結 146
核心概念 147
思考題 147
第5章 主題模型 148
5.1 主題模型概述 149
5.1.1 主題模型的概念 149
5.1.2 主題模型的主要內容 150
5.1.3 主題模型涉及的數學概念 154
5.2 主要模型類型 156
5.2.1 LSA模型和pLSA模型 156
5.2.2 LDA模型 158
5.3 技術操作 160
5.3.1 系統配置和文本預處理 160
5.3.2 LDA模型分析 164
5.3.3 結果探討 167
5.4 案例研究 170
5.4.1 LDA模型在傳播學中的方法探索 171
5.4.2 LDA模型的傳播學分析實踐 172
5.4.3 主題模型在科學傳播研究中的應用 174
5.4.4 主題模型在政治傳播研究中的應用 176
5.4.5 主題模型的主要應用方向及面臨的挑戰 178
本章小結 179
核心概念 179
思考題 180
第6章 機器學習 182
6.1 機器學習概述 182
6.1.1 機器學習的定義及關鍵術語 182
6.1.2 機器學習的分類及步驟 184
6.2 線性回歸算法 187
6.2.1 原理簡述及基本概念介紹 187
6.2.2 線性回歸算法的Python
實現 189
6.3 支持向量機 191
6.3.1 原理簡述及基本概念介紹 191
6.3.2 支持向量機的Python實現 193
6.4 使用WEKA進行機器學習 195
6.5 應用機器學習發掘數據潛力 203
6.5.1 從衛星圖像中提取社會經濟數據并預測貧困 204
6.5.2 通過視頻觀測政治候選人的情緒表現如何影響選民印象 205
本章小結 207
核心概念 207
思考題 208
第7章 自動文本分析 209
7.1 自動文本分析概述 209
7.1.1 自動文本分析的發展歷程 209
7.1.2 自動文本分析的原則 210
7.1.3 自動文本分析的步驟 211
7.2 有監督機器學習 216
7.2.1 有監督機器學習概述 216
7.2.2 有監督機器學習的步驟 217
7.3 有監督機器學習下文本分類的不同算法 219
7.3.1 統計學習算法：樸素貝葉斯 219
7.3.2 基于實例分類：K近鄰法 223
7.3.3 基于邏輯的算法：決策樹 224
7.4 不同算法的機器學習應用 226
7.4.1 前期操作 226
7.4.2 數據預處理 228
7.4.3 引入算法 229
7.5 案例研究 231
7.5.1 自動文本分析在政治傳播研究中的應用 231
7.5.2 自動文本分析在文化研究中的應用 233
7.5.3 自動文本分析在健康傳播研究中的應用 235
本章小結 237
核心概念 237
思考題 238
第8章 社會網絡分析 239
8.1 社會網絡分析概述 239
8.1.1 社會網絡的概念 239
8.1.2 社會網絡分析基礎知識 240
8.1.3 社會網絡的形式化表達 242
8.1.4 社會網絡的常見分類 243
8.2 整體網絡測量 246
8.2.1 密度 246
8.2.2 核心邊緣結構 248
8.3 中心性分析 249
8.3.1 點度中心性 249
8.3.2 中間(中介)中心性 253
8.3.3 接近中心性(整體中心性) 255
8.3.4 特征向量中心性 256
8.4 凝聚子群分析 257
8.5 使用UCINET進行社會網絡計算 257
8.5.1 UCINET的運行環境 257
8.5.2 UCINET數據導入導出與數據處理 259
8.6 網絡可視化分析 266
8.6.1 NetDraw 266
8.6.2 Gephi 266
8.6.3 導出數據 271
8.7 案例研究 271
8.7.1 社會網絡分析在網絡結構研究中的應用 271
8.7.2 社會網絡分析在社會資本研究中的應用 273
8.7.3 社會網絡分析在同質性研究中的應用 274
本章小結 276
核心概念 276
思考題 277
第9章 語義網絡分析 278
9.1 語義網絡分析概述 278
9.1.1 語義網絡分析的基本概念 278
9.1.2 語義網絡分析的流程結構 278
9.2 語義網絡分析的結構特征 279
9.3 語義網絡分析的常用工具 280
9.3.1 ROST CM6 280
9.3.2 Python 282
9.3.3 結果探討 287
9.4 研究案例 288
9.4.1 語義網絡分析在學科發展領域的應用 288
9.4.2 語義網絡分析在媒體報道分析層面的應用 291
9.4.3 語義網絡分析在數字平臺用戶層面的應用 294
本章小結 296
核心概念 297
思考題 297
第10章 虛擬仿真 298
10.1 虛擬仿真概述 298
10.1.1 虛擬仿真的基本概念 298
10.1.2 ABM的發展和應用 299
10.1.3 ABM建模 300
10.1.4 ABM的核心概念 301
10.1.5 ABM方法的優點 302
10.2 NetLogo 303
10.2.1 基本編程概念 303
10.2.2 認識NetLogo 304
10.3 實戰演練 310
10.3.1 模擬程序的流程 310
10.3.2 SIR模型 312
10.4 案例分析 320
10.4.1 ABM仿真模擬的兩個研究方向 320
10.4.2 ABM仿真模擬在信息傳播和社交媒體中的應用 322
10.4.3 ABM仿真模擬在健康傳播中的應用 324
本章小結 325
核心概念 326
思考題 326
展開全部
大數據分析基礎 作者簡介
羅茜，蘇州大學傳媒學院副教授;研究方向為計算傳播、智能傳播、網絡輿論等;在SSCI、CSSCI期刊發表論文十余篇;主持國家社科基金青年項目“基于人工智能的網絡意識形態自動分類和人機綜合治理研究”。
書友推薦
- >
二體千字文
- >
我從未如此眷戀人間
- >
煙與鏡
- >
伊索寓言-世界文學名著典藏-全譯本
- >
【精裝繪本】畫給孩子的中國神話
- >
名家帶你讀魯迅:故事新編
- >
回憶愛瑪儂
- >
莉莉和章魚
本類暢銷
