万本电子书0元读

万本电子书0元读

顶部广告

大数据时代的数据挖掘电子书

(1)内容全面,覆盖当前数据挖掘的主要应用。在介绍每个应用案例时,详细阐述应用的背景,该领域中数据的来源和特,数据采集与预处理方式,应用领域中数据挖掘的任务和实施数据挖掘技术的难。同时提供相应的数据挖掘算法分析、工具设计以及系统实现。 (2)条理清晰、便于理解。一方面,面向热爱和关心数据挖掘技术的学术界和工业界读者,帮助他们更好地理解研究的目的和应用的基础;另一方面,让没有太多相关技术背景的读者可以通过阅读本书能够了解数据挖掘的意义和价值,可以看出数据挖掘是如何被广泛地应用于实际案例并成为解决各种问题的核心工具。

售       价:¥

纸质售价:¥170.40购买纸书

96人正在读 | 0人评论 6.7

作       者:李涛

出  版  社:人民邮电出版社

出版时间:2019-01-01

字       数:46.9万

所属分类: 科技 > 计算机/网络 > 计算机理论与教程

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书以当前热的数据挖掘应用贯穿全书,通过详解大数据挖掘技术在系统日志、工作票、可持续性研究、推荐系统、智能问答系统、社交媒体、生物信息学与健康医疗、隐私保护等方面的实际应用案例,阐述了如何更好地应用和学习数据挖掘技术。本书融了数据挖掘前沿技术和典型应用,不仅适合热爱和关心数据挖掘技术的学术界和工业界人士阅读,还适合作为各大高校的数据挖掘和机器学习课堂的实践教材和参考书籍。本书有助于读者更好地理解数据挖掘技术背后的根源和本质。 本书以当前热的数据挖掘应用贯穿全书,通过详解大数据挖掘技术在系统日志、工作票、可持续性研究、推荐系统、智能问答系统、社交媒体、生物信息学与健康医疗、隐私保护等方面的实际应用案例,阐述了如何更好地应用和学习数据挖掘技术。本书融了数据挖掘前沿技术和典型应用,不仅适合热爱和关心数据挖掘技术的学术界和工业界人士阅读,还适合作为各大高校的数据挖掘和机器学习课堂的实践教材和参考书籍。本书有助于读者更好地理解数据挖掘技术背后的根源和本质。
【推荐语】
(1)内容全面,覆盖当前数据挖掘的主要应用。在介绍每个应用案例时,详细阐述应用的背景,该领域中数据的来源和特,数据采集与预处理方式,应用领域中数据挖掘的任务和实施数据挖掘技术的难。同时提供相应的数据挖掘算法分析、工具设计以及系统实现。 (2)条理清晰、便于理解。一方面,面向热爱和关心数据挖掘技术的学术界和工业界读者,帮助他们更好地理解研究的目的和应用的基础;另一方面,让没有太多相关技术背景的读者可以通过阅读本书能够了解数据挖掘的意义和价值,可以看出数据挖掘是如何被广泛地应用于实际案例并成为解决各种问题的核心工具。
【作者】
李 涛(1975年10月出生) 2004年7月获美国罗彻斯特大学(University of Rochester)计算机科学博士学位。2004年至今先后任美国佛罗里达国际大学 (Florida International University,FIU) 计算机学院助理教授、副教授(终身教授)、正教授 (Full Professor) 、研究生主管(Graduate Program Director),FIU计算与信息学院数据挖掘实验室主任,博士生导师。目前担任南京邮电大学计算机学院、软件学院院长,南京邮电大学大数据研究院院长。 2016年选创新类国家“千人计划”特聘专家。李涛博士的研究兴趣主要包括数据挖掘、机器学习、信息检索及生物信息学等领域,在基于矩阵方法的数据挖掘和学习,音乐信息检索,系统日志数据挖掘,数据挖掘的各种应用等方面做出了有影响力的研究。由于在数据挖掘及应用领域成效显著的研究工作,他曾多次获得各种荣誉和奖励,其中包括美国国家自然科学基金委颁发的杰出青年教授奖 (NSF CAREER Award, 2006-2010)和2010IBM大规模数据分析创新奖 (Scalable Data Analytics Innovation Award)。同时,他还是数据挖掘国际权威期刊《ACM Transactions on Knowledge Discovery from Data》《IEEE Transactions on Knowledge and Data Engineering》《Knowledge and Information Systems》杂志的副主编。 李涛博士在国际著名会议及期刊上已发表超过两百篇文章(绝大多数被EI/SCI检索)。根据Google Scholar的统计,李涛博士的引用指标 H-index=48,总引用次数超过8700次。
目录展开

内容提要

《国之重器出版工程》编辑委员会

《学术中国·大数据》丛书编辑委员会

丛书总序

前言

第1章 数据挖掘简介

1.1 大数据时代的数据挖掘

1.1.1 大数据的特点“4V+4V”

1.1.2 数据挖掘

1.1.3 从数据挖掘应用的角度看大数据

1.2 数据挖掘技术的发展历史

1.3 十大数据挖掘算法简介

1.4 数据挖掘平台:FIU-Miner

1.4.1 FIU-Miner平台简介

1.4.2 FIU-Miner系统架构

1.4.3 FIU-Miner应用实例

参考文献

第2章 系统日志和事件的挖掘

2.1 数据驱动的网络运维

2.1.1 网络运维1.0阶段:简单数据处理

2.1.2 网络运维2.0阶段:分布式大数据处理框架

2.1.3 网络运维3.0阶段:网络运维平台套件

2.1.4 网络运维4.0阶段:智能化网络运维

2.2 系统日志分析的目的

2.2.1 系统问题诊断

2.2.2 调试与优化

2.2.3 系统安全维护

2.3 日志数据分析管理系统的架构

2.3.1 日志数据的收集和预处理

2.3.2 历史日志数据存储

2.3.3 日志事件数据的分析以及对分析结果的展示和使用

2.4 系统日志的数据形式

2.4.1 无结构的日志数据

2.4.2 结构化与半结构化的日志数据

2.4.3 非结构化数据的转换

2.5 基于日志数据的异常检测

2.5.1 基于监督学习的异常检测

2.5.2 基于无监督学习的异常检测

2.6 系统故障根源跟踪

2.6.1 日志事件的依赖性挖掘

2.6.2 基于依赖关系的系统故障追踪

2.7 日志事件总结

2.7.1 事件总结算法基本要求及相关工作

2.7.2 基于事件发生频率变迁描述的事件总结

2.7.3 基于马尔可夫模型描述的事件总结

2.7.4 基于事件关系网络描述的事件总结

参考文献

第3章 工作票数据挖掘

3.1 工作票简介

3.2 工作票产生机制和亟待解决的问题

3.3 研究现状

3.3.1 工作票分类

3.3.2 工作票推荐

3.3.3 整体解决方案和工具

3.4 工作票漏报和误报检测

3.4.1 漏报和误报

3.4.2 基于规则的误报识别方法

3.4.3 半监督的工作票漏报发现方法

3.4.4 评价

3.5 层次多标签工作票分类

3.5.1 问题描述

3.5.2 层次损失函数和期望损失最小化

3.5.3 算法和解决方案

3.5.4 实验

3.6 工作票解决方案推荐

3.6.1 背景

3.6.2 基于KNN的推荐方法

3.6.3 划分方法

3.6.4 概率融合方法

3.6.5 度量学习方法

3.6.6 实验

参考文献

第4章 大数据与计算可持续性研究

4.1 大数据与可持续发展

4.1.1 可持续发展

4.1.2 大数据时代可持续发展面临的机遇和挑战

4.2 计算可持续性

4.2.1 计算可持续性数据及其特征

4.2.2 大数据环境下计算可持续性研究现状

4.3 研究案例

4.3.1 基于数据驱动的气象分析

4.3.2 基于数据驱动的建筑能耗分析

参考文献

第5章 推荐系统

5.1个性化推荐系统概述

5.2 推荐技术

5.2.1 基于内容的推荐系统

5.2.2 基于协同过滤的推荐系统

5.2.3 基于知识的推荐系统

5.2.4 基于混合技术的推荐系统

5.2.5 基于计算智能的推荐系统

5.2.6 基于社交网络的推荐系统

5.2.7 基于上下文敏感的推荐系统

5.2.8 基于组群的推荐系统

5.3 推荐系统评测

5.3.1 推荐系统评测环境

5.3.2 推荐系统评测指标

5.4 推荐系统实例

5.4.1 新闻推荐

5.4.2 POI推荐

参考文献

第6章 智能问答系统

6.1 发展历史

6.2 句法分析

6.2.1 中文分词技术

6.2.2 词的分类和兼类

6.2.3 汉语句法分析

6.3 问题理解

6.3.1 词法分析

6.3.2 问题分类

6.3.3 关键词扩展与抽取

6.3.4 答案抽取

6.4 问题检索

6.4.1 基于词法的问句检索

6.4.2 基于句法的问句检索

6.4.3 基于语义的问句检索

6.4.4 常见问题集的问句检索

6.5 信息抽取

6.5.1 抽取的对象

6.5.2 抽取的种类

6.5.3 抽取的方法

6.6 知识库构建

6.6.1 基本概念

6.6.2 体系结构

6.6.3 关键技术

6.7 知识推理

6.7.1 线索挖掘

6.7.2 关系推理

6.7.3 关系预测

6.8 案例分析

6.8.1 限定域系统的现有案例分析

6.8.2 开放域系统的现有案例分析

参考文献

第7章 文本挖掘

7.1 文本表示

7.2 话题挖掘

7.2.1 非负矩阵分解

7.2.2 概率潜在语义分析

7.2.3 潜在狄利克雷分配模型

7.2.4 分析与实例比较

7.3 多文档自动文摘

7.3.1 目标函数选择:句子重要性评价

7.3.2 优化方法

7.3.3 其他的自动文摘问题

7.3.4 实例分析

7.4 情感分析和摘要

7.4.1 基于频繁项集的方法

7.4.2 实例分析

7.4.3 基于方面的话题模型分析方法

7.5 数据挖掘在专利分析中的应用

7.5.1 专利分析的内容、流程与方法

7.5.2 数据挖掘在专利分析中的应用方向

参考文献

第8章 多媒体数据挖掘

8.1 多媒体技术的特点

8.1.1 数字化

8.1.2 多样性

8.1.3 集成性

8.1.4 交互性

8.1.5 非线性

8.1.6 实时性

8.2 多媒体数据挖掘概述

8.2.1 背景

8.2.2 研究及应用现状

8.3 多媒体数据的特征抽取

8.3.1 文本特征抽取

8.3.2 图像特征表示

8.4 数据挖掘在图像检索中的应用

8.4.1 应用背景

8.4.2 数据集描述

8.4.3 数据挖掘在图像检索中的算法分析

8.4.4 图像检索案例

8.5 数据挖掘在多媒体信息融合中的应用

8.5.1 应用背景

8.5.2 数据集描述

8.5.3 数据挖掘在多媒体信息融合中的算法分析

8.5.4 多媒体信息融合案例

8.6 数据挖掘在人脸识别中的应用

8.6.1 应用背景

8.6.2 数据集描述

8.6.3 人脸识别算法分析

8.6.4 分布式人脸识别系统设计

参考文献

第9章 社交媒体挖掘

9.1 社交媒体数据挖掘简介

9.1.1 社交媒体分析的特点综述

9.1.2 社交媒体的典型应用

9.2 社交网络数据

9.3 数据挖掘在社交媒体热点问题上的应用

9.3.1 社交媒体数据挖掘需求

9.3.2 信息扩散分析

9.3.3 链接的预测

9.3.4 专家与关键人物的挖掘

9.3.5 搜索

9.3.6 信任

9.3.7 社交网络的内容与情感挖掘

参考文献

第10章 时空数据挖掘

10.1 时空数据挖掘的发展背景

10.2 时空数据挖掘的相关研究

10.2.1 时空数据的来源

10.2.2 时空数据的基本性质

10.2.3 时空数据挖掘的方法与任务

10.3 时空数据的模式挖掘

10.3.1 时空数据的频繁模式

10.3.2 时空数据的异常模式

10.4 时空数据的聚类和分类

10.4.1 时空数据的聚类

10.4.2 时空数据的分类

10.5 时空数据预测

10.5.1 位置预测

10.5.2 位置推荐

10.6 时空数据挖掘的案例研究

10.6.1 TerryFly GeoCloud

10.6.2 NUPT-ST-Miner

10.7 时空数据挖掘的挑战和发展

参考文献

第11章 生物信息学

11.1 生物医学知识综述

11.2 生物医学大数据

11.3 数据挖掘在蛋白质与核酸相互作用研究中的应用

11.3.1 基于机器学习的蛋白质与核酸相互作用的研究策略

11.3.2 案例分析:蛋白质中RNA—结合残基的预测模型

11.4 数据挖掘在生物医学文献中的应用

11.4.1 生物医学文献挖掘概述

11.4.2 数据挖掘应用方法描述

11.5 数据挖掘在基因表达数据中的应用

11.5.1 基因芯片技术

11.5.2 下一代高通量测序技术

11.5.3 RNA-Seq技术与基因芯片技术的比较

11.5.4 数据挖掘在下一代高通量RNA-Seq测序数据中的应用

参考文献

第12章 隐私保护和数据挖掘

12.1 隐私保护概述

12.1.1 隐私侵害事件

12.1.2 隐私保护困境

12.1.3 隐私保护要求

12.1.4 隐私保护水平度量

12.2 隐私保护技术分类

12.2.1 匿名化技术

12.2.2 加密技术

12.2.3 数据扰动技术

12.3 隐私保护数据挖掘方法

12.3.1 隐私保护聚类

12.3.2 隐私保护决策树

12.3.3 隐私保护推荐系统

12.3.4 隐私保护贝叶斯算法

12.3.5 隐私保护支持向量机

12.3.6 隐私保护关联规则挖掘

12.4 复杂数据挖掘场景下的隐私保护

12.4.1 大数据隐私保护

12.4.2 图数据隐私保护

12.4.3 云数据隐私保护

12.4.4 隐私保护深度学习

参考文献

第13章 健康医疗大数据中的数据挖掘技术

13.1 健康医疗大数据的含义

13.2 数据特性

13.3 预警系统

13.3.1 数据预处理

13.3.2 Bucketing

13.3.3 Bucket Bagging

13.3.4 特征集构造

13.3.5 特征选择

13.3.6 探索性下采样

13.3.7 指数移动平均

13.4 非结构化文本信息的挖掘

13.5 数据挖掘实例

13.5.1 评价标准

13.5.2 实验设计

13.5.3 逻辑回归模型的实验结果

13.5.4 算法比较

13.5.5 预警时间分析

13.6 应用方向

13.6.1 疾病预警预测及生存期分析

13.6.2 疾病辅助诊断治疗

13.6.3 药物研究

13.6.4 医学影像

13.6.5 医院信息系统

13.6.6 远程医疗

13.6.7 健康数据库管理

13.6.8 医疗健康相关企业经营

参考文献

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部