本書對大數(shù)據(jù)挖掘與應用的基本算法進行了系統(tǒng)的介紹，每種算法不僅包括對算法基本原理的介紹，而且配有大量的例題以及基于阿里云大數(shù)據(jù)平臺(數(shù)加平臺)的演示，這種理論與實踐相結合的方式極大地方便了讀者對抽象的數(shù)據(jù)挖掘算法的理解和掌握。 本書共11章，內(nèi)容覆蓋了數(shù)據(jù)預處理、分類算法、聚類算法及常見的數(shù)據(jù)挖掘應用，具體章節(jié)包括大數(shù)據(jù)簡介、數(shù)據(jù)預處理技術、邏輯回歸方法、KNN算法、樸素貝葉斯分類算法、隨機森林分類算法、支持向量機、 Kmeans聚類算法，以及社交網(wǎng)絡分析方法及應用、文本分析方法及應用和推薦系統(tǒng)方法及應用等內(nèi)容。 本書可作為高等院校數(shù)據(jù)挖掘課程的教材，也可作為數(shù)據(jù)挖掘及相關工程技術工作人員的參考書。
大數(shù)據(jù)泛指大規(guī)模、超大規(guī)模的數(shù)據(jù)集，因可從中挖掘出有價值的信息而備受關注。數(shù)據(jù)挖掘是一個涉及數(shù)據(jù)庫技術、人工智能、統(tǒng)計學、機器學習等多個學科的領域，并且已經(jīng)在各行各業(yè)有了非常廣泛的應用。為適應我國數(shù)據(jù)挖掘的教學工作，作者在數(shù)據(jù)挖掘教學實踐的基礎上，參閱了多種國內(nèi)外最近版本的教材，編寫了本書。本書可以作為高等院校研究生的教材，也可以為相關行業(yè)的工程技術人員提供有益的參考。
本書內(nèi)容循序漸進，對大數(shù)據(jù)挖掘的基本算法進行了詳細的講解。本書最大的特點是理論與實踐相結合，算法理論與產(chǎn)業(yè)一線實踐相結合，幾乎所有的算法都配有實例和基于阿里云大數(shù)據(jù)平臺（數(shù)加平臺）的演示，這種理論與實際相結合的方法克服了只重理論、輕實踐的內(nèi)容組織方式，極大地方便了讀者的理解。具體而言，本書11章內(nèi)容之間的關系如下圖所示。
本書提供的教學課件，讀者可登錄www.tup.com.cn網(wǎng)站自行下載。由于編者水平有限，書中必定存在不足之處，懇請專家和讀者批評指正。
編者2023年1月
第一篇基礎篇
第1章大數(shù)據(jù)簡介
1.1大數(shù)據(jù)
1.1.1大數(shù)據(jù)的定義
1.1.2大數(shù)據(jù)的特點
1.1.3大數(shù)據(jù)處理的挑戰(zhàn)
1.2大數(shù)據(jù)挖掘
1.2.1大數(shù)據(jù)挖掘的定義
1.2.2大數(shù)據(jù)挖掘的特點
1.3大數(shù)據(jù)挖掘的相關方法
1.3.1數(shù)據(jù)預處理技術
1.3.2關聯(lián)規(guī)則挖掘
1.3.3分類
1.3.4聚類
1.3.5孤立點挖掘
1.3.6演變分析
1.3.7特異群組分析
1.4大數(shù)據(jù)挖掘類型
1.4.1Web數(shù)據(jù)挖掘
1.4.2空間數(shù)據(jù)挖掘
1.4.3流數(shù)據(jù)挖掘
1.5大數(shù)據(jù)挖掘的常見應用
1.5.1社交網(wǎng)絡分析
1.5.2文本分析
1.5.3推薦系統(tǒng)
1.6常用的大數(shù)據(jù)統(tǒng)計分析方法
1.6.1百分位
1.6.2皮爾森相關系數(shù)
1.6.3直方圖
1.6.4T檢驗
1.6.5卡方檢驗
1.7常用的大數(shù)據(jù)挖掘評估方法
1.8大數(shù)據(jù)平臺相關技術
1.8.1分布式存儲技術
1.8.2分布式任務調(diào)度技術
1.8.3并行計算技術
1.8.4其他技術
1.9大數(shù)據(jù)平臺實例阿里云數(shù)加平臺
1.9.1數(shù)加平臺簡介
1.9.2數(shù)加平臺產(chǎn)品簡介
1.9.3數(shù)加平臺優(yōu)勢特色
1.9.4機器學習平臺簡介
1.9.5機器學習平臺功能
1.9.6機器學習平臺操作流程
1.10小結
思考題
第二篇技術篇
第2章數(shù)據(jù)預處理技術
2.1數(shù)據(jù)預處理的目的
2.2數(shù)據(jù)采樣
2.2.1加權采樣
2.2.2隨機采樣
2.2.3分層采樣
2.3數(shù)據(jù)清理
2.3.1填充缺失值
2.3.2光滑噪聲數(shù)據(jù)
2.3.3數(shù)據(jù)清理過程
2.4數(shù)據(jù)集成
2.4.1數(shù)據(jù)集成簡介
2.4.2常用數(shù)據(jù)集成方法
2.5數(shù)據(jù)變換
2.5.1數(shù)據(jù)變換簡介
2.5.2數(shù)據(jù)規(guī)范化
2.6數(shù)據(jù)歸約
2.6.1數(shù)據(jù)立方體聚集
2.6.2維歸約
2.6.3數(shù)據(jù)壓縮
2.6.4數(shù)值歸約
2.6.5數(shù)據(jù)離散化與概念分層
2.7特征選擇
2.7.1特征選擇簡介
2.7.2Relief算法
2.7.3Fisher判別法
2.7.4基于GBDT的過濾式特征選擇
2.8特征提取
2.8.1特征提取簡介
2.8.2DKLT特征提取方法
2.8.3主成分分析法
2.9基于阿里云數(shù)加平臺的數(shù)據(jù)采樣與特征選擇實例
2.10小結
思考題
第3章邏輯回歸方法
3.1基本概念
3.1.1回歸概述
3.1.2線性回歸簡介
3.2邏輯回歸
3.2.1二分類邏輯回歸
3.2.2多分類邏輯回歸
3.2.3邏輯回歸應用舉例
3.2.4邏輯回歸方法的特點
3.2.5邏輯回歸方法的應用
3.3邏輯回歸源代碼結果分析
3.3.1線性回歸
3.3.2多分類邏輯回歸
3.4基于阿里云數(shù)加平臺的邏輯回歸實例
3.4.1二分類邏輯回歸應用實例
3.4.2多分類邏輯回歸應用實例
3.5小結
思考題
第4章KNN算法
4.1KNN算法簡介
4.1.1KNN算法原理
4.1.2KNN算法應用舉例
4.2KNN算法的特點及改進
4.2.1KNN算法的特點
4.2.2KNN算法的改進策略
4.3KNN源代碼結果分析
4.4基于阿里云數(shù)加平臺的KNN算法應用實例
4.5小結
思考題
第5章樸素貝葉斯分類算法
5.1基本概念
5.1.1主觀概率
5.1.2貝葉斯定理
5.1.3樸素貝葉斯分類模型
5.1.4樸素貝葉斯分類器實例分析
5.2樸素貝葉斯算法的特點及應用
5.2.1樸素貝葉斯算法的特點
5.2.2樸素貝葉斯算法的應用場景
5.3樸素貝葉斯源代碼結果分析
5.4基于阿里云數(shù)加平臺的樸素貝葉斯實例
5.5小結
思考題
第6章隨機森林分類算法
6.1隨機森林算法簡介
6.1.1隨機森林算法原理
6.1.2隨機森林算法應用舉例
6.2隨機森林算法的特點及應用
6.2.1隨機森林算法的特點
6.2.2隨機森林算法的應用
6.3隨機森林算法源程序結果分析
6.4基于阿里云數(shù)加平臺的隨機森林分類實例
6.5小結
思考題
第7章支持向量機
7.1基本概念
7.1.1支持向量機理論基礎
7.1.2統(tǒng)計學習核心理論
7.1.3學習過程的一致性條件
7.1.4函數(shù)集的VC維
7.1.5泛化誤差界
7.1.6結構風險最小化歸納原理
7.2支持向量機原理
7.2.1支持向量機核心理論
7.2.2最大間隔分類超平面
7.2.3支持向量機
7.2.4核函數(shù)分類
7.3支持向量機的特點及應用
7.3.1支持向量機的特點
7.3.2支持向量機的應用
7.4支持向量機分類實例分析
7.5基于阿里云數(shù)加平臺的支持向量機分類實例
7.6小結
思考題
第8章Kmeans聚類算法
8.1Kmeans聚類算法原理
8.1.1Kmeans聚類算法原理解析
8.1.2Kmeans聚類算法應用舉例
8.2Kmeans聚類算法的特點及應用
8.2.1Kmeans聚類算法的特點
8.2.2Kmeans聚類算法的應用
8.3K均值聚類算法源程序結果分析
8.4基于阿里云數(shù)加平臺的K均值聚類算法實例
8.5基于MaxCompute Graph模型的Kmeans算法源程序分析
8.6小結
思考題
第三篇綜合應用篇
第9章社交網(wǎng)絡分析方法及應用
9.1社交網(wǎng)絡簡介
9.2K核方法
9.2.1K核方法原理
9.2.2基于阿里云數(shù)加平臺的K核方法實例
9.3單源最短路徑方法
9.3.1單源最短路徑方法原理
9.3.2基于阿里云數(shù)加平臺的單源最短路徑方法實例
9.4PageRank算法
9.4.1PageRank算法原理
9.4.2PageRank算法的特點及應用
9.4.3基于阿里云數(shù)加平臺的PageRank算法實例
9.5標簽傳播算法
9.5.1標簽傳播算法原理
9.5.2基于阿里云數(shù)加平臺的標簽傳播聚類應用實例
9.6最大聯(lián)通子圖算法
9.7聚類系數(shù)算法
9.7.1聚類系數(shù)算法原理
9.7.2基于阿里云數(shù)加平臺的聚類系數(shù)算法應用實例
9.8基于阿里云數(shù)加平臺的社交網(wǎng)絡分析實例
9.9小結
思考題
第10章文本分析方法及應用
10.1文本分析簡介
10.2TFIDF方法
10.3中文分詞方法
10.3.1基于字典或詞庫匹配的分詞方法
10.3.2基于詞的頻度統(tǒng)計的分詞方法
10.3.3其他中文分詞方法
10.4PLDA方法
10.4.1主題模型
10.4.2PLDA方法原理
10.5Word2Vec基本原理
10.5.1詞向量的表示方式
10.5.2統(tǒng)計語言模型
10.5.3霍夫曼編碼
10.5.4Word2Vec原理簡介
10.6基于阿里云數(shù)加平臺的文本分析實例
10.7小結
思考題
第11章推薦系統(tǒng)方法及應用
11.1推薦系統(tǒng)簡介
11.2基于內(nèi)容的推薦算法
11.2.1基于內(nèi)容的推薦算法原理
11.2.2基于內(nèi)容的推薦算法的特點
11.3協(xié)同過濾推薦算法
11.3.1協(xié)同過濾推薦算法簡介
11.3.2協(xié)同過濾推薦算法的特點
11.4混合推薦算法
11.5基于阿里云數(shù)加平臺的推薦算法實例
11.6小結
思考題
參考文獻
書單推薦
