大数据分析

图书标准信息

• 作者 CCF大数据专家委员会、程学旗 著
• 出版社 高等教育出版社
• 出版时间 2019-04
• 版次 1
• ISBN 9787040516326
• 定价 48.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 337页

【内容简介】

　　《大数据分析》系统地介绍了大数据分析的理论、算法及应用，全书共10章，包括基本概念和基本知识、大数据统计分析方法、大数据机器学习方法、机器学习理论、大数据算法理论、文本大数据分析、知识计算、网络数据挖掘、社会媒体分析、大数据分析系统架构等内容。除章节内容外，每章还提供“小节及进一步阅读”“参考文献”“习题”等内容帮助读者学习。
　　《大数据分析》既可作为普通高等学校大数据相关专业的教材使用，也可供大数据分析领域的专业技术人员参考。

【作者简介】

　　程学旗，中国科学院计算技术研究所副所长、研究员、博士生导师、中国科学院我学讲座教授，中国科学院网络数据科学与技术重点实验室主任、大数据分析系统国家工程实验室副主任。中国科学院计算技术研究所大数据方向学科带头人。国家杰出青年科学基金获得者；中组部“万人计划”科技创新领军人才，曾获得中国青年科技奖、中国科学院青年科学家奖和CCF青年科学家奖。
　　主要研究方向为网络数据科学、大数据分析系统、互联网搜索与挖掘、网络空间信息内容安全等。科研成粟在全国大范萄应用并发挥实际效果，带领团队三次获得国家科技进步二等奖。发表学术论文200余篇，GOOGLE scholar引用一万余次，三次获得国际学术会议学术论文奖。兼任中国计算机学会大数据专家委员会秘书长、中国中文信息学会信息检索专委会主任等。

【目录】

第1章 基本概念与基本知识
1．1 大数据与大数据分析
1．2 重要的问题和概念
1．3 大数据分析算法、系统和应用
1．4 大数据分析科学家和工程师
1．5 本书的结构

第2章 大数据统计分析方法
2．1 相关性分析
2．1．1 相关性理论的产生
2．1．2 相关关系
2．1．3 传统的统计相关l陛分析方法
2．1．4 大数据中的统计相关性分析
2．2 因果推断
2．2．1 因果推断简介
2．2．2 相关关系与因果关系
2．2．3 无模型因果推断
2．2．4 基于模型的因果推断
2．2．5 大数据中的因果推断
2．2．6 Yule-Simpson悖论
2．3 采样分析
2．3．1 采样与随机模拟
2．3．2 蒙特卡罗方法
2．3．3 马尔可夫链蒙特卡罗方法
2．3．4 并行采样方法
2．4 小结及进一步阅读
习题

第3章 大数据机器学习方法
3．1 描述性分析
3．1．1 聚类分析
3．1．2 矩阵分解
3．2 预测性分析
3．2．1 分类分析方法
3．2．2 排序学习
3．3 深度学习分析方法
3．4 强化学习分析方法
3．4．1 代表性方法
3．4．2 大数据分析中的强化学习
3．5 小结及进一步阅读
习题

第4章 机器学习理论
4．1 机器学习基础
4．1．1 基本概念
4．1．2 损失函数与风险函数
4．1．3 经验风险最小化与结构风险最小化
4．2 过拟合、模型选择以及正则化
4．2．1 训练误差与测试误差
4．2．2 过拟合与模型选择
4．2．3 正则化与交叉验证
4．3 偏差方差分解
4．4 PAC学习理论
4．4．1 一个简单的例子
4．4．2 PAC学习理论基本概念
4．4．3 有限假设空间下的推导
4．4．4 VC维
4．4．5 Rademacher复杂度
4．5 非独立同分布学习
4．5．1 非独立情形
4．5．2 非同分布情形
4．6 小结及进一步阅读
习题

第5章 大数据算法理论
5．1 组合优化算法
5．1．1 近似算法
5．1．2 次模优化
5．2 在线算法
5．2．1 秘书问题
5．2．2 在线调度
5．2．3 在线二部图匹配
5．2．4 在线学习中的多臂老虎机问题
5．3 流式算法
5．3．1 流模型和流算法简介
5．3．2 图上的流模型
5．3．3 统计类问题的流模型
5．3．4 聚类问题的流模型
5．4 参数算法
5．4．1 参数算法设计基本技巧
5．4．2 参数算法下界
5．5 小结及进一步阅读
习题

第6章 文本大数据分析
6．1 文本表达
6．1．1 单词的表示
6．1．2 句子的表示
6．2 文本匹配
6．2．1 文本匹配任务
6．2．2 基于规则的文本匹配
6．2．3 基于学习的文本匹配
6．3 文本生成
6．3．1 文本生成简介
6．3．2 人机对话生成
6．3．3 图片标题生成
6．3．4 文本生成的评价
6．4 小结及进一步阅读
习题

第7章 知识计算
7．1 知识图谱简介
7．2 知识抽取
7．2．1 实体抽取
7．2．2 关系抽取
7．2．3 属性抽取
7．2．4 实体关系联合抽取
7．3 知识融合
7．3．1 实体对齐
7．3．2 实体链接
7．3．3 知识更新
7．4 知识推理
7．4．1 基于逻辑的推理模型
7．4．2 基于图的推理模型
7．4．3 基于表示学习的推理模型
7．5 小结及进一步阅读
习题

第8章 网络数据挖掘
8．1 网络排序
8．1．1 节点中心度
8．1．2 边中心度
8．2 网络聚类
8．2．1 网络划分
8．2．2 社区发现
8．3 网络表示学习
8．3．1 Laplacian elgenmaps
8．3．2 DeepWalk
8．3．3 LINE
8．3．4 SDNE
8．4 小结及进一步阅读
习题

第9章 社会媒体分析
9．1 网络影响力最大化
9．2 基于位置的社交网络
9．3 大图的异常检测
9．3．1 基于密度子图的检测方法
9．3．2 基于谱图子空间的检测方法
9．3．3 信念传播
9．3．4 视觉引导的自动检测
9．3．5 基于信号处理的检测方法
9．4 社会媒体分析新应用
9．4．1 社会媒体中的广告投放
9．4．2 移动互联网环境的推荐系统
9．4．3 社交网络中的风险控制
9．5 小结及进一步阅读
习题

第10章 大数据分析系统架构
10．1 数据与计算的演变历程
10．1．1 数据规模的演变
10．1．2 计算范式的演变
10．2 大数据分布式计算模型
10．2．1 大数据分析算法的挑战
10．2．2 数据与参数分发策略
10．2．3 数据更新策略
10．3 大数据计算系统
10．3．1 MapReduce系统
10．3．2 Spark系统
10．3．3 参数服务器Parameter Server
10．3．4 TensorFIow系统
10．4 小结结及进一步阅读
习题