大数据分析与处理:实践者的研究方法电子书

前言

第一部分 绪论

第1章 概述

1.1 大数据的基本概念

1.2 结构化和非结构化数据

1.3 大数据的特征

1.4 科学研究的第四范式

1.5 大数据的生命周期

1.6 大数据的处理流程

1.7 大数据的架构

总结

习题[1]

第二部分 数据采集和预处理

第2章 大数据的采集

2.1 内部数据

2.2 外部数据

总结

习题

第3章 大数据的预处理

3.1 数据预处理概述

3.2 数据质量

3.3 数据清洗技术

3.4 数据转换

3.5 数据归约

总结

习题

第三部分 数据存储

第4章 数据存储系统

4.1 数据建模

4.2 分布式文件系统

4.3 NoSQL数据库

4.4 统一数据访问接口

总结

习题

第5章 图数据库

5.1 图数据库的发展

5.2 图数据库概述

5.3 图数据库的特点及优缺点

5.4 图数据库的主要技术

5.5 代表性图数据库——Neo4j

5.6 Neo4j图数据库的基础实验

5.7 Neo4j图数据库的进阶实验

总结

习题

第四部分 数据处理

第6章 数据处理系统

6.1 数据处理系统概述

6.2 计算模型

6.3 计算平台与引擎

总结

习题

第7章 批数据处理系统

7.1 MapReduce

7.2 MapReduce应用实例

总结

习题

第8章 流数据处理系统

8.1 流计算的定义

8.2 原生流处理——Storm

8.3 微批流处理系统——Spark Streaming

8.4 Flink

8.5 流数据处理实验

8.6 大数据处理体系结构

总结

习题

第9章 分布式图处理

9.1 分布式图处理概述

9.2 分布式图处理的概念

9.3 分布式图处理的工作原理

9.4 分布式图处理的框架——Pregel

9.5 Pregel框架实验

总结

习题

第10章 处理架构

10.1 对称多处理架构

10.2 非一致性内存访问架构

10.3 大规模并行处理架构

10.4 SMP、NUMA和MPP的比较

总结

习题

第11章 内存计算

11.1 SAP HANA

11.2 Spark

总结

习题

第12章 数据处理算法

12.1 数据处理基础

12.2 机器学习方法

12.3 深度学习方法

总结

习题

第五部分 大数据分析平台

第13章 PyTorch

13.1 PyTorch的发展背景

13.2 PyTorch结构概览

13.3 数据载体模块

13.4 求导模块

13.5 效率工具模块

13.6 优化算法模块

13.7 神经网络模块

13.8 运算性能模块

13.9 PyTorch的基础实验——基于LSTM的房价预测

13.10 PyTorch的进阶实验——搭建Transformer框架

总结

习题

第14章 TensorFlow

14.1 TensorFlow概述

14.2 TensorFlow的系统架构

14.3 神经网络的构建与TensorFlow的基本用法

14.4 TensorFlow的特点、优势和应用领域

14.5 比较PyTorch和TensorFlow

14.6 TensorFlow实验

总结

习题

第15章 Spark MLlib

15.1 Spark MLlib概述

15.2 Spark MLlib的系统架构

15.3 Spark MLlib的工作流

总结

习题

第六部分 大数据应用

第16章 数据可视化

16.1 数据可视化概述

16.2 数据可视化基础

16.3 数据可视化工具和软件

16.4 数据可视化分析案例

总结

习题

第17章 大数据分析应用——文本分析

17.1 文本分析概述

17.2 文本分析相关技术

17.3 情感分析案例

总结

习题

第18章 大数据分析应用——推荐系统

18.1 推荐系统概述

18.2 推荐系统的相关算法

18.3 推荐系统的其他问题

18.4 推荐系统案例

总结

习题

第19章 图数据分析的应用——知识图谱

19.1 图数据分析概述

19.2 知识图谱概述

19.3 知识图谱的相关技术

19.4 知识图谱的应用案例

总结

习题

第20章 图数据分析的应用——社交网络

20.1 社交网络概述

20.2 社交网络分析的结构特性

20.3 社交网络分析的研究

20.4 基于图卷积网络的社交网络分类实验

总结

习题

参考文献