大数据模型与应用 微课版

第1章 常用的算法模型及应用——大数据建模的预备知识

 1.1 概述

 1.2 最小生成树及其算法与应用

 1.2.1 生成树与最小生成树

 1.2.2 最小生成树算法与应用

 1.3 求流问题

 1.3.1 流问题概述

 1.3.2 流问题的解决方案

 1.4 有向无环图及其应用

 1.4.1 有向无环图概述

 1.4.2 拓扑排序

 1.4.3 关键路径

 1.5 网页排序算法及应用

 1.5.1 网页排序算法概述

 1.5.2 网页排序应用示例

 1.6 求最短路径

 1.6.1 最短路径概述

 1.6.2 Dijkstra算法

 1.6.3 Floyd(弗洛伊德)算法

 1.7 图的遍历

 1.7.1 深度优先搜索遍历

 1.7.2 广度优先搜索遍历

 1.8 汉诺塔问题的求解

 1.8.1 汉诺塔问题概述

 1.8.2 汉诺塔问题对应的算法

 1.9 迷宫问题的求解

 1.9.1 迷宫问题概述

 1.9.2 迷宫问题求解程序

 1.10 阿克曼函数算法的求解与阅读

 1.10.1 阿克曼函数概述

 1.10.2 阿克曼丽数的递归算法

 1.10.3 阿克曼函数对应程序与阅读方法

 小结

 习题

第2章 预测模型

 2.1 预测模型介绍

 2.2 回归分析预测模型

 2.2.1 一元线性回归预测模型

 2.2.2 多元线性回归预测模型

 2.2.3 非线性回归预测模型

 2.3 时间序列预测模型

 2.3.1 移动平均模型

 2.3.2 指数平滑模型

 2.4 生长曲线预测模型

 2.4.1 皮尔模型

 2.4.2 龚珀兹模型

 2.4.3 林德诺模型

 2.5 组合模型

 2.5.1 沿海港口货物吞吐量组合预测计算

 2.5.2 沿海港口货物吞吐量对比分析

 2.6 马尔可夫预测模型

 小结

 习题

第3章 关联规则模型与应用

 3.1 关联规则的解释、理论与相关术语

 3.1.1 关联规则的解释

 3.1.2 关联规则的理论及相关术语

 3.1.3 Apriori算法介绍

 3.2 关联规则举例

 3.3 关联规则的创新应用研究

 3.3.1 基于Hadoop环境下Map-Reduce流程的应用

 3.3.2 基于FP-tree的频繁项集的挖掘方法

 小结

 习题

第4章 分类分析模型及应用

 4.1 分类模型概述

 4.1.1 分类模型概念与相关术语

 4.1.2 分类模型评估与选择

 4.2 决策树分类模型

 4.2.1 决策树分类模型与算法流程

 4.2.2 决策树分类模型示例

 4.2.3 运用Python实现决策树分类模型(ID3算法)的运行程序

 4.2.4 决策树分类模型的剪枝处理

 4.2.5 决策树分类模型中的连续与缺失值处理

 4.2.6 多变量决策树

 4.2.7 决策树分类模型的特性

 4.3 贝叶斯分类模型

 4.3.1 朴素贝叶斯分类模型的算法原理

 4.3.2 朴素贝叶斯分类模型示例

 4.3.3 运用Python实现朴素贝叶斯分类模型的运行程序

 4.3.4 贝叶斯分类模型小结

 4.4 逻辑回归分类模型

 4.4.1 回归理论模型与逻辑回归分类模型的算法原理

 4.4.2 梯度下降法

 4.4.3 逻辑回归分类模型示例

 4.4.4 Python实现逻辑回归分类模型

 4.4.5 逻辑回归分类模型小结

 4.5 K-近邻(KNN)分类模型

 4.5.1 KNN分类模型的算法原理

 4.5.2 KNN分类模型示例

 4.5.3 Python实现KNN分类模型

 4.5.4 KNN分类模型小结

 4.6 支持向量机分类模型

 4.6.1 SVM分类模型的算法原理

 4.6.2 SMO算法示例

 4.6.3 Python实现支持向量机分类模型

 4.6.4 支持向量机分类模型小结

 习题

第5章 聚类分析模型及应用

 5.1 聚类概述

 5.1.1 聚类的定义和分类

 5.1.2 聚类分析中的相关概念

 5.1.3 聚类分析的应用

 5.1.4 聚类性能度量

 5.2 K-Means聚类算法

 5.2.1 K-Means聚类算法思想

 5.2.2 K-Means聚类算法过程

 5.2.3 K-Means聚类算法示例

 5.2.4 Python实现K-Means聚类算法

 5.2.5 K-Means聚类算法小结

 5.3 DBSCAN聚类算法

 5.3.1 密度聚类算法思想

 5.3.2 DBSCAN算法原理

 5.3.3 DBSCAN聚类算法示例

 5.3.4 Python实现DBSCAN聚类算法

 5.3.5 DBSCAN聚类算法小结

 5.4 AGNES聚类算法

 5.4.1 层次聚类思糊

 5.4.2 AGNES算法原理

 5.4.3 AGNES聚类算法示例

 5.4.4 Python实现AGNES聚类算法

 5.4.5 AGNES聚类算法小结

 5.5 高斯混合聚类算法

 5.5.1 EM聚类算法原理

 5.5.2 高斯混合聚类算法原理

 5.5.3 高斯混合聚类算法示例

 5.5.4 Python实现高斯混合聚类算法

 5.5.5 高斯混合聚类算法小结

 5.6 LVQ聚类算法

 5.6.1 LVQ聚类算法原理

 5.6.2 LVQ聚类算法示例

 5.6.3 Python实现LVQ聚类算法

 5.6.4 LVQ聚类算法小结

 5.7 CLIQUE聚类算法

 5.7.1 CLIQUE算法原理

 5.7.2 CLIQUE聚类算法示例

 5.7.3 Python实现CLIQUE聚类算法

 5.7.4 CLIQUE聚类算法小结

 5.8 本章 小结

 5.8.1 聚类与分类的区别

 5.8.2 聚类分析的新趋势和新算法

 习题

第6章 大数据应用工具与模型及热点内容研究

 6.1 概述

 6.2 基础数据库建设项目与Lucene的应用

 6.2.1 基础数据库建设项目与关键技术

 6.2.2 Lucene的应用

 6.3 基于道路交通安全的数据挖掘模型应用研究

 6.4 大数据研究的热点内容

 6.4.1 交通运输大数据与城市计算的框架

 6.4.2 基于引用聚类的多文档自动文摘方法研究

 小结

参考文献