大数据处理技术与应用

第1章 互联网大数据概述
1．1 认识大数据
1．1．1 大数据的定义
1．1．2 大数据的特征
1．1．3 未来十年大数据分析的发展趋势
1．2 常用大数据处理、分析工具介绍
1．2．1 大数据的存储工具
1．2．2 大数据的软件开发工具
1．2．3 大数据的挖掘工具
1．2．4 大数据的可视化工具
小结

第2章 互联网大数据采集与获取实战要领
2．1 互联网大数据采集与处理技术概述
2．1．1 数据采集的基本流程与关键技术
2．1．2 数据处理的基本流程与关键技术
2．2 Web页面数据获取实战方法
2．2．1 Jsoup技术与页面数据获取
2．2．2 应对特定领域的Deep Web数据获取技术
2．3 利用爬虫抓取互联网大数据实战技巧
2．3．1 Python爬虫工作原理
2．3．2 利用HtmlParser实现网页链接的提取实战
小结

第3章 做好数据预处理的实战方法
3．1 数据预处理概述
3．1．1 数据预处理的目的
3．1．2 数据预处理的方法
3．2 从问题分析到数据清洗实战策略
3．2．1 数据清洗的步骤
3．2．2 缺失值的识别与处理技巧
3．2．3 异常值的判断、检验与处理
3．3 数据集成与数据转换实战方法
3．3．1 数据集成常见方法
3．3．2 数据转换过程中的离散化
3．4 数据的特征选择
3．4．1 常用数据特征选择方法
3．4．2 Relief算法与费希尔判别法的应用
3．5 数据预处理实战案例分析
小结

第4章 数据相关性分析与回归分析的黄金法则
4．1 什么是数据集
4．1．1 数据集的概念与常见类型
4．1．2 高效进行数据度量的实战技巧
4．2 做好数据相关性分析
4．2．1 进行数据相关性分析的作用
4．2．2 常用的数据相关分析方法
4．3 做好数据回归分析实战要领
4．3．1 数据回归分析方法概述
4．3．2 数据回归分析所能解决的实际问题
小结

第5章 如何利用关联规则进行大数据挖掘
5．1 关联规则
5．1．1 什么是关联规则
5．1．2 关联规则挖掘的应用场景
5．2 关联规则挖掘实战流程分析
5．2．1 关联规则常见分类与四个基本属性
5．2．2 快速找出*大高频项目组的实战技巧
5．3 关联规则发掘中重要的Apriori算法
5．3．1 Apriori算法的基本原理
5．3．2 Apriori算法运行的基本流程
5．4 针对Apriori算法缺点的其他关联规则挖掘算法
5．4．1 Apriori算法的两大缺点
5．4．2 基于划分规则的算法
5．4．3 FP-Growth算法
小结

第6章 大数据分析中的四种常见分类算法
6．1 分类算法概述
6．1．1 有关分类算法的基本概念
6．1．2 分类算法的常见应用场景
6．2 KNN算法
6．2．1 KNN算法的工作原理与特点
6．2．2 快速找到*优k值的实用策略
6．3 决策树与随机森林算法
6．3．1 决策树算法
6．3．2 Bagging与Boosting的区别
6．3．3 随机森林分类算法的优势与应用场景
6．4 朴素贝叶斯分类算法
6．4．1 朴素贝叶斯分类算法运行原理分析
6．4．2 贝叶斯网络
6．4．3 贝叶斯决策理论
6．5 支持向量机
6．5．1 支持向量机的基本思想与特点
6．5．2 *优分类面和广义*优分类面
6．5．3 非线性支持向量机与核函数
小结

第7章 大数据分析中的四种常见聚类算法
7．1 大数据分析聚类算法概述
7．1．1 聚类分析的相关概念及应用场景
7．1．2 聚类算法运行基础：簇与距离度量
……
第8章 自组织神经网络算法与人工神经网络算法
第9章 互联网大数据分析应用产品个性化推荐系统
第10章 大数据分析在具体行业中的应用
参考文献