大数据分析（第2版） / 战略性新兴领域（大数据）“十四五”规划教材
定价：￥42.00
作者： 程学旗，靳小龙，刘盛华，李家宁
出版社：高等教育出版社
- 高等教育出版社
- 9787040636833
- 2版
- 64272143-5
- 16开
- 500
- 工学
- 计算机类
- 计算机类
- 本科 研究生及以上
内容简介
本书是大数据新兴领域“十四五”高等教育教材。本书全面介绍大数据分析的相关概念、方法与技术。全书分为基础篇、方法篇与应用篇三篇，共9章。基础篇包含第1章，介绍大数据分析的基本概念和知识；方法篇包含第2～6章，分别介绍常用的大数据分析平台、大数据统计分析、大数据机器学习、深度学习以及图挖掘与分析的相关知识；应用篇包含第7～9章，分别介绍文本数据、多媒体数据以及社会媒体数据三类典型大数据的分析与应用。本书提供了丰富的习题以帮助读者巩固所学的内容。
本书既可作为高等学校大数据相关专业本科生或研究生的教材，也可供大数据分析领域的专业技术人员参考。
目录
目录
前辅文
基础篇
第1章 大数据分析概述
1.1 大数据
1.1.1 大数据的由来
1.1.2 大数据的典型特征
1.2 大数据分析
1.2.1 大数据分析的内涵
1.2.2 大数据分析的类型
1.2.3 大数据分析算法与系统
1.3 大数据分析进阶
1.3.1 数据编织
1.3.2 数据分析算法安全
方法篇
第2章 大数据分析平台
2.1 机器学习大数据分析平台
2.1.1 PyTorch
2.1.2 TensorFlow
2.1.3 PaddlePaddle
2.2 分布式大数据分析平台
2.2.1 Impala
2.2.2 Spark ML
2.2.3 Apache Pig
2.3 多源异构大数据分析平台
2.3.1 Delta Lake
2.3.2 Apache Doris
2.3.3 Apache Presto
习题
第3章 大数据统计分析
3.1 相关性分析
3.1.1 相关关系
3.1.2 传统统计相关性分析
3.1.3 大数据中的统计相关性分析
3.2 统计分析与哈希
3.2.1 哈希基本概念
3.2.2 局部敏感哈希
3.2.3 发现相似性
3.2.4 最小计数Sketch
3.3 线性回归分析
3.3.1 向量空间基本概念
3.3.2 线性回归
3.3.3 最小二乘法
3.3.4 略图方法
习题
第4章 大数据机器学习
4.1 机器学习概述
4.1.1 基本概念和流程
4.1.2 体系分类
4.1.3 机器学习基础理论
4.1.4 大数据时代的机器学习
4.2 决策树与集成学习
4.2.1 决策树
4.2.2 集成学习概述
4.2.3 梯度提升决策树
4.2.4 随机森林
4.3 概率图模型
4.3.1 隐马尔可夫模型
4.3.2 条件随机场
4.3.3 主题模型
习题
第5章 深度学习
5.1 深度学习基础
5.1.1 深度学习概述
5.1.2 神经网络结构
5.1.3 神经网络训练算法
5.2 深度学习进阶
5.2.1 高级网络结构
5.2.2 生成模型
5.2.3 大模型范式
5.3 深度学习对抗攻防
5.3.1 对抗鲁棒性概述
5.3.2 对抗攻击算法
5.3.3 对抗防御算法
习题
第6章 图挖掘与分析
6.1 大图模式分析
6.1.1 图与幂律分布定义
6.1.2 静态图相关模式
6.1.3 动态图相关模式
6.2 稠密子图检测
6.2.1 稠密子图检测
6.2.2 二部图稠密子图检测
6.2.3 谱图理论与稠密子图检测
6.2.4 稠密子张量检测
6.3 图摘要与图划分
6.3.1 图摘要概念
6.3.2 图摘要算法
6.3.3 图划分概念
6.3.4 图划分与社区检测算法
6.4 图表示学习与图神经网络
6.4.1 图表示学习定义
6.4.2 图表示学习算法与模型
6.4.3 图卷积神经网络定义
6.4.4 图卷积神经网络模型
习题
应用篇
第7章 文本数据分析
7.1 文本表达
7.1.1 排序学习模型
7.1.2 上下文单词预测模型
7.1.3 全局词向量表示模型
7.1.4 预训练语言模型
7.2 文本匹配
7.2.1 文本匹配任务
7.2.2 基于神经网络的文本匹配
7.2.3 基于预训练模型的文本匹配
7.2.4 文本匹配的评价
7.3 文本挖掘
7.3.1 文本预处理
7.3.2 文本分类与聚类
7.3.3 文本知识抽取
7.3.4 文本情感分析
7.4 文本生成
7.4.1 文本生成简介
7.4.2 基于神经网络的文本生成
7.4.3 基于预训练模型的文本生成
7.4.4 基于大语言模型的文本生成
7.4.5 文本生成的评价
习题
第8章 多媒体数据分析
8.1 概述
8.1.1 多媒体数据分析
8.1.2 应用案例
8.2 多媒体数据处理
8.2.1 图像处理
8.2.2 音频处理
8.2.3 视频处理
8.3 多媒体数据挖掘
8.3.1 聚类与关联分析
8.3.2 分类与识别
8.3.3 序列分析与预测
8.4 多媒体数据可视化
8.4.1 多媒体数据可视化工具
8.4.2 视频摘要
习题
第9章 社会媒体数据分析
9.1 社会媒体数据基本分析方法
9.1.1 社交网络的度量方法
9.1.2 PageRank算法
9.1.3 PageRank算法优化
9.1.4 SimRank算法
9.2 社会媒体数据基础应用
9.2.1 用户画像
9.2.2 信息传播与影响力最大化
9.2.3 跨网络用户映射
9.3 社会媒体数据综合分析
9.3.1 社交机器人检测
9.3.2 基于位置的社交网络
9.3.3 社交网络广告投放
习题
参考文献
前辅文
基础篇
第1章 大数据分析概述
1.1 大数据
1.1.1 大数据的由来
1.1.2 大数据的典型特征
1.2 大数据分析
1.2.1 大数据分析的内涵
1.2.2 大数据分析的类型
1.2.3 大数据分析算法与系统
1.3 大数据分析进阶
1.3.1 数据编织
1.3.2 数据分析算法安全
方法篇
第2章 大数据分析平台
2.1 机器学习大数据分析平台
2.1.1 PyTorch
2.1.2 TensorFlow
2.1.3 PaddlePaddle
2.2 分布式大数据分析平台
2.2.1 Impala
2.2.2 Spark ML
2.2.3 Apache Pig
2.3 多源异构大数据分析平台
2.3.1 Delta Lake
2.3.2 Apache Doris
2.3.3 Apache Presto
习题
第3章 大数据统计分析
3.1 相关性分析
3.1.1 相关关系
3.1.2 传统统计相关性分析
3.1.3 大数据中的统计相关性分析
3.2 统计分析与哈希
3.2.1 哈希基本概念
3.2.2 局部敏感哈希
3.2.3 发现相似性
3.2.4 最小计数Sketch
3.3 线性回归分析
3.3.1 向量空间基本概念
3.3.2 线性回归
3.3.3 最小二乘法
3.3.4 略图方法
习题
第4章 大数据机器学习
4.1 机器学习概述
4.1.1 基本概念和流程
4.1.2 体系分类
4.1.3 机器学习基础理论
4.1.4 大数据时代的机器学习
4.2 决策树与集成学习
4.2.1 决策树
4.2.2 集成学习概述
4.2.3 梯度提升决策树
4.2.4 随机森林
4.3 概率图模型
4.3.1 隐马尔可夫模型
4.3.2 条件随机场
4.3.3 主题模型
习题
第5章 深度学习
5.1 深度学习基础
5.1.1 深度学习概述
5.1.2 神经网络结构
5.1.3 神经网络训练算法
5.2 深度学习进阶
5.2.1 高级网络结构
5.2.2 生成模型
5.2.3 大模型范式
5.3 深度学习对抗攻防
5.3.1 对抗鲁棒性概述
5.3.2 对抗攻击算法
5.3.3 对抗防御算法
习题
第6章 图挖掘与分析
6.1 大图模式分析
6.1.1 图与幂律分布定义
6.1.2 静态图相关模式
6.1.3 动态图相关模式
6.2 稠密子图检测
6.2.1 稠密子图检测
6.2.2 二部图稠密子图检测
6.2.3 谱图理论与稠密子图检测
6.2.4 稠密子张量检测
6.3 图摘要与图划分
6.3.1 图摘要概念
6.3.2 图摘要算法
6.3.3 图划分概念
6.3.4 图划分与社区检测算法
6.4 图表示学习与图神经网络
6.4.1 图表示学习定义
6.4.2 图表示学习算法与模型
6.4.3 图卷积神经网络定义
6.4.4 图卷积神经网络模型
习题
应用篇
第7章 文本数据分析
7.1 文本表达
7.1.1 排序学习模型
7.1.2 上下文单词预测模型
7.1.3 全局词向量表示模型
7.1.4 预训练语言模型
7.2 文本匹配
7.2.1 文本匹配任务
7.2.2 基于神经网络的文本匹配
7.2.3 基于预训练模型的文本匹配
7.2.4 文本匹配的评价
7.3 文本挖掘
7.3.1 文本预处理
7.3.2 文本分类与聚类
7.3.3 文本知识抽取
7.3.4 文本情感分析
7.4 文本生成
7.4.1 文本生成简介
7.4.2 基于神经网络的文本生成
7.4.3 基于预训练模型的文本生成
7.4.4 基于大语言模型的文本生成
7.4.5 文本生成的评价
习题
第8章 多媒体数据分析
8.1 概述
8.1.1 多媒体数据分析
8.1.2 应用案例
8.2 多媒体数据处理
8.2.1 图像处理
8.2.2 音频处理
8.2.3 视频处理
8.3 多媒体数据挖掘
8.3.1 聚类与关联分析
8.3.2 分类与识别
8.3.3 序列分析与预测
8.4 多媒体数据可视化
8.4.1 多媒体数据可视化工具
8.4.2 视频摘要
习题
第9章 社会媒体数据分析
9.1 社会媒体数据基本分析方法
9.1.1 社交网络的度量方法
9.1.2 PageRank算法
9.1.3 PageRank算法优化
9.1.4 SimRank算法
9.2 社会媒体数据基础应用
9.2.1 用户画像
9.2.2 信息传播与影响力最大化
9.2.3 跨网络用户映射
9.3 社会媒体数据综合分析
9.3.1 社交机器人检测
9.3.2 基于位置的社交网络
9.3.3 社交网络广告投放
习题
参考文献
前辅文
基础篇
第1章 大数据分析概述
1.1 大数据
1.1.1 大数据的由来
1.1.2 大数据的典型特征
1.2 大数据分析
1.2.1 大数据分析的内涵
1.2.2 大数据分析的类型
1.2.3 大数据分析算法与系统
1.3 大数据分析进阶
1.3.1 数据编织
1.3.2 数据分析算法安全
方法篇
第2章 大数据分析平台
2.1 机器学习大数据分析平台
2.1.1 PyTorch
2.1.2 TensorFlow
2.1.3 PaddlePaddle
2.2 分布式大数据分析平台
2.2.1 Impala
2.2.2 Spark ML
2.2.3 Apache Pig
2.3 多源异构大数据分析平台
2.3.1 Delta Lake
2.3.2 Apache Doris
2.3.3 Apache Presto
习题
第3章 大数据统计分析
3.1 相关性分析
3.1.1 相关关系
3.1.2 传统统计相关性分析
3.1.3 大数据中的统计相关性分析
3.2 统计分析与哈希
3.2.1 哈希基本概念
3.2.2 局部敏感哈希
3.2.3 发现相似性
3.2.4 最小计数Sketch
3.3 线性回归分析
3.3.1 向量空间基本概念
3.3.2 线性回归
3.3.3 最小二乘法
3.3.4 略图方法
习题
第4章 大数据机器学习
4.1 机器学习概述
4.1.1 基本概念和流程
4.1.2 体系分类
4.1.3 机器学习基础理论
4.1.4 大数据时代的机器学习
4.2 决策树与集成学习
4.2.1 决策树
4.2.2 集成学习概述
4.2.3 梯度提升决策树
4.2.4 随机森林
4.3 概率图模型
4.3.1 隐马尔可夫模型
4.3.2 条件随机场
4.3.3 主题模型
习题
第5章 深度学习
5.1 深度学习基础
5.1.1 深度学习概述
5.1.2 神经网络结构
5.1.3 神经网络训练算法
5.2 深度学习进阶
5.2.1 高级网络结构
5.2.2 生成模型
5.2.3 大模型范式
5.3 深度学习对抗攻防
5.3.1 对抗鲁棒性概述
5.3.2 对抗攻击算法
5.3.3 对抗防御算法
习题
第6章 图挖掘与分析
6.1 大图模式分析
6.1.1 图与幂律分布定义
6.1.2 静态图相关模式
6.1.3 动态图相关模式
6.2 稠密子图检测
6.2.1 稠密子图检测
6.2.2 二部图稠密子图检测
6.2.3 谱图理论与稠密子图检测
6.2.4 稠密子张量检测
6.3 图摘要与图划分
6.3.1 图摘要概念
6.3.2 图摘要算法
6.3.3 图划分概念
6.3.4 图划分与社区检测算法
6.4 图表示学习与图神经网络
6.4.1 图表示学习定义
6.4.2 图表示学习算法与模型
6.4.3 图卷积神经网络定义
6.4.4 图卷积神经网络模型
习题
应用篇
第7章 文本数据分析
7.1 文本表达
7.1.1 排序学习模型
7.1.2 上下文单词预测模型
7.1.3 全局词向量表示模型
7.1.4 预训练语言模型
7.2 文本匹配
7.2.1 文本匹配任务
7.2.2 基于神经网络的文本匹配
7.2.3 基于预训练模型的文本匹配
7.2.4 文本匹配的评价
7.3 文本挖掘
7.3.1 文本预处理
7.3.2 文本分类与聚类
7.3.3 文本知识抽取
7.3.4 文本情感分析
7.4 文本生成
7.4.1 文本生成简介
7.4.2 基于神经网络的文本生成
7.4.3 基于预训练模型的文本生成
7.4.4 基于大语言模型的文本生成
7.4.5 文本生成的评价
习题
第8章 多媒体数据分析
8.1 概述
8.1.1 多媒体数据分析
8.1.2 应用案例
8.2 多媒体数据处理
8.2.1 图像处理
8.2.2 音频处理
8.2.3 视频处理
8.3 多媒体数据挖掘
8.3.1 聚类与关联分析
8.3.2 分类与识别
8.3.3 序列分析与预测
8.4 多媒体数据可视化
8.4.1 多媒体数据可视化工具
8.4.2 视频摘要
习题
第9章 社会媒体数据分析
9.1 社会媒体数据基本分析方法
9.1.1 社交网络的度量方法
9.1.2 PageRank算法
9.1.3 PageRank算法优化
9.1.4 SimRank算法
9.2 社会媒体数据基础应用
9.2.1 用户画像
9.2.2 信息传播与影响力最大化
9.2.3 跨网络用户映射
9.3 社会媒体数据综合分析
9.3.1 社交机器人检测
9.3.2 基于位置的社交网络
9.3.3 社交网络广告投放
习题
参考文献
前辅文
基础篇
第1章 大数据分析概述
1.1 大数据
1.1.1 大数据的由来
1.1.2 大数据的典型特征
1.2 大数据分析
1.2.1 大数据分析的内涵
1.2.2 大数据分析的类型
1.2.3 大数据分析算法与系统
1.3 大数据分析进阶
1.3.1 数据编织
1.3.2 数据分析算法安全
方法篇
第2章 大数据分析平台
2.1 机器学习大数据分析平台
2.1.1 PyTorch
2.1.2 TensorFlow
2.1.3 PaddlePaddle
2.2 分布式大数据分析平台
2.2.1 Impala
2.2.2 Spark ML
2.2.3 Apache Pig
2.3 多源异构大数据分析平台
2.3.1 Delta Lake
2.3.2 Apache Doris
2.3.3 Apache Presto
习题
第3章 大数据统计分析
3.1 相关性分析
3.1.1 相关关系
3.1.2 传统统计相关性分析
3.1.3 大数据中的统计相关性分析
3.2 统计分析与哈希
3.2.1 哈希基本概念
3.2.2 局部敏感哈希
3.2.3 发现相似性
3.2.4 最小计数Sketch
3.3 线性回归分析
3.3.1 向量空间基本概念
3.3.2 线性回归
3.3.3 最小二乘法
3.3.4 略图方法
习题
第4章 大数据机器学习
4.1 机器学习概述
4.1.1 基本概念和流程
4.1.2 体系分类
4.1.3 机器学习基础理论
4.1.4 大数据时代的机器学习
4.2 决策树与集成学习
4.2.1 决策树
4.2.2 集成学习概述
4.2.3 梯度提升决策树
4.2.4 随机森林
4.3 概率图模型
4.3.1 隐马尔可夫模型
4.3.2 条件随机场
4.3.3 主题模型
习题
第5章 深度学习
5.1 深度学习基础
5.1.1 深度学习概述
5.1.2 神经网络结构
5.1.3 神经网络训练算法
5.2 深度学习进阶
5.2.1 高级网络结构
5.2.2 生成模型
5.2.3 大模型范式
5.3 深度学习对抗攻防
5.3.1 对抗鲁棒性概述
5.3.2 对抗攻击算法
5.3.3 对抗防御算法
习题
第6章 图挖掘与分析
6.1 大图模式分析
6.1.1 图与幂律分布定义
6.1.2 静态图相关模式
6.1.3 动态图相关模式
6.2 稠密子图检测
6.2.1 稠密子图检测
6.2.2 二部图稠密子图检测
6.2.3 谱图理论与稠密子图检测
6.2.4 稠密子张量检测
6.3 图摘要与图划分
6.3.1 图摘要概念
6.3.2 图摘要算法
6.3.3 图划分概念
6.3.4 图划分与社区检测算法
6.4 图表示学习与图神经网络
6.4.1 图表示学习定义
6.4.2 图表示学习算法与模型
6.4.3 图卷积神经网络定义
6.4.4 图卷积神经网络模型
习题
应用篇
第7章 文本数据分析
7.1 文本表达
7.1.1 排序学习模型
7.1.2 上下文单词预测模型
7.1.3 全局词向量表示模型
7.1.4 预训练语言模型
7.2 文本匹配
7.2.1 文本匹配任务
7.2.2 基于神经网络的文本匹配
7.2.3 基于预训练模型的文本匹配
7.2.4 文本匹配的评价
7.3 文本挖掘
7.3.1 文本预处理
7.3.2 文本分类与聚类
7.3.3 文本知识抽取
7.3.4 文本情感分析
7.4 文本生成
7.4.1 文本生成简介
7.4.2 基于神经网络的文本生成
7.4.3 基于预训练模型的文本生成
7.4.4 基于大语言模型的文本生成
7.4.5 文本生成的评价
习题
第8章 多媒体数据分析
8.1 概述
8.1.1 多媒体数据分析
8.1.2 应用案例
8.2 多媒体数据处理
8.2.1 图像处理
8.2.2 音频处理
8.2.3 视频处理
8.3 多媒体数据挖掘
8.3.1 聚类与关联分析
8.3.2 分类与识别
8.3.3 序列分析与预测
8.4 多媒体数据可视化
8.4.1 多媒体数据可视化工具
8.4.2 视频摘要
习题
第9章 社会媒体数据分析
9.1 社会媒体数据基本分析方法
9.1.1 社交网络的度量方法
9.1.2 PageRank算法
9.1.3 PageRank算法优化
9.1.4 SimRank算法
9.2 社会媒体数据基础应用
9.2.1 用户画像
9.2.2 信息传播与影响力最大化
9.2.3 跨网络用户映射
9.3 社会媒体数据综合分析
9.3.1 社交机器人检测
9.3.2 基于位置的社交网络
9.3.3 社交网络广告投放
习题
参考文献
