大数据导论：原理与技术 吴步丹 金芝 林荣恒 程渤 大数据的分析过程 大数据的存储系统和算力
正版全新
￥ 65.55 9.5折 ￥ 69 全新
库存2件
上海浦东
作者吴步丹 金芝 林荣恒 程渤
出版社机械工业出版社
ISBN9787111819653
出版时间2022-12
装帧平装
开本16开
定价69元
货号5095051
上书时间2026-11-15
商品详情
- 品相描述：全新
- 商品描述
-
【书 名】 大数据导论：原理与技术 吴步丹 金芝 林荣恒 程渤 大数据的分析过程 大数据的存储系统和算力
【书 号】 9787111819653
【出 版 社】 机械工业出版社
【作 者】 吴步丹 金芝 林荣恒 程渤
【出版日期】 2026-11-01
【开 本】 16开
【定 价】 69.00元
【编辑推荐】
在信息化与智能化浪潮交汇的今天，大数据已成为驱动社会进步与产业变革的核心引擎，并与大模型相互成就，共同掀起以“智能生成”为标志的第四次信息化浪潮。本书以大数据分析流程为主线，系统构建大数据原理与技术的知识体系。全书涵盖技术概述、分析过程、存储系统与算力、数学基础、数据挖掘与机器学习、编程与计算框架、分析工具与编程语言、可视化，以及隐私与治理、大数据与大模型协同，十章内容递进展开。书中既夯实数学基础，又贯通工程实践；不仅以行业典型案例揭示数据价值创造路径，更紧扣大模型技术演进，引导读者完成“全样而非抽样、效率而非精确、相关而非因果”的思维跃迁，建立数据密集型科学时代的世界观与方法论。
本书特色：
闭环式知识结构，全链贯通：以数据“采、存、算、析、治”为主线，从存储底座、计算框架，到建模分析、可视化与隐私治理，完整覆盖大数据技术栈。
理论与实践并重，案例驱动：夯实数学根基与经典算法解析，配套行业典型案例，实现从理论认知到产业实践的落地转化。
大数据与大模型协同，面向未来：专章剖析大模型概念、Transformer架构与预训练-微调范式，展现数据价值从分析挖掘向智能生成的跨越式演进。
技术与治理兼顾，视野前瞻：系统探讨隐私保护、数据立法、元数据与主数据管理、数据跨境流动等治理议题，并展望异构算力、量子计算等前沿趋势，构建安全合规、高效流通的数据生态观。
【内容简介】
本书共10章，首先以大数据的时代背景为切入点，阐释其技术演进逻辑与社会价值，然后依次介绍大数据的分析过程、存储系统和算力、分析的数学基础、数据挖掘与机器学习、编程与计算框架、分析工具与编程语言、可视化，并以大数据的隐私与治理、大数据与大模型的协同作为结尾。每一章均注重知识体系的递进性与案例分析的实证性，力求通过严谨的学术表达与鲜活的现实案例，帮助读者构建完整的知识图谱。
本书适用于计算机科学与技术、数据科学与大数据技术、信息管理与信息系统、国民经济管理等相关专业的本科生及研究生，也可作为相关技术人员的参考读物。
【目录】
目录
前言
第1章 大数据技术概述 1
1.1 大数据的时代背景 1
1.1.1 三次信息化浪潮与人工智能快速发展浪潮 1
1.1.2 大数据的产生原因 2
1.2 大数据的定义 4
1.2.1 大数据的概念 4
1.2.2 大数据的发展历程 4
1.3 大数据的价值和作用 8
1.3.1 大数据决策成为一种新的决策方式 8
1.3.2 大数据应用促进信息技术与各行业的深度融合 9
1.3.3 大数据开发推动新技术和新应用的不断涌现 9
1.4 大数据思维 10
1.4.1 大数据对科学研究的影响 10
1.4.2 大数据对思维方式的影响 11
1.5 大数据的来源 12
1.5.1 按产生数据的主体划分 13
1.5.2 按数据来源的行业划分 14
1.5.3 按数据存储的形式划分 14
1.6 大数据的特点 15
1.6.1 数据量大 15
1.6.2 数据类型繁多 16
1.6.3 处理速度快 16
1.6.4 价值密度低 16
1.7 大数据与其他新兴技术的协同关系 17
1.7.1 大数据与物联网 17
1.7.2 大数据与云计算 17
1.7.3 大数据与区块链 18
1.7.4 大数据与人工智能 18
1.8 数据科学与数据科学家 19
1.8.1 数据科学 19
1.8.2 数据科学家 21
1.9 大数据的应用 21
1.9.1 大数据在金融行业的应用 22
1.9.2 大数据在医疗行业的应用 23
1.9.3 大数据在零售行业的应用 24
1.9.4 大数据在教育行业的应用 24
1.9.5 大数据在政府部门的应用 25
1.9.6 大数据在能源行业的应用 25
1.9.7 大数据在互联网行业的应用 25
小结 26
思考题 26
第2章 大数据的分析过程 27
2.1 数据采集 28
2.1.1 数据类型 28
2.1.2 数据采集方法 31
2.1.3 数据采集工具 34
2.2 数据清洗 35
2.2.1 数据清洗方法 36
2.2.2 数据清洗工具 39
2.3 数据预处理 40
2.3.1 噪声处理 40
2.3.2 数据转换 41
2.3.3 数据脱敏 44
2.3.4 数据约简 45
2.3.5 特征工程 47
2.4 数据分析 49
2.4.1 数据探索分析 49
2.4.2 数据建模分析 51
2.5 结果评估 59
2.5.1 分类结果评估 60
2.5.2 关联规则结果评估 61
2.5.3 回归结果评估 61
2.5.4 聚类结果评估 62
小结 62
思考题 63
第3章 大数据的存储系统和算力 64
3.1 传统的数据存储与管理技术 64
3.1.1 文件系统 64
3.1.2 关系数据库 65
3.1.3 ACID原则 66
3.1.4 数据仓库 68
3.1.5 并行数据库 69
3.2 大数据时代的数据存储与管理技术 70
3.2.1 大数据存储与管理需求 70
3.2.2 大数据对传统存储管理技术的挑战 71
3.2.3 NoSQL数据模型 71
3.2.4 CAP理论 72
3.3 非关系数据库 74
3.3.1 键值存储数据库 74
3.3.2 文档存储数据库 75
3.3.3 列族存储数据库 76
3.3.4 图存储数据库 76
3.4 分布式文件系统 77
3.4.1 分布式文件系统的基本概念 77
3.4.2 HDFS 78
3.5 分布式数据库 80
3.5.1 分布式数据库的基本概念 80
3.5.2 HBase 81
3.6 云数据库 83
3.6.1 云数据库的基本概念 83
3.6.2 云数据库的特性 84
3.6.3 云数据库与其他数据库的关系 85
3.6.4 代表性的云数据库产品 86
3.7 大数据算力 87
3.7.1 算力的定义与核心作用 87
3.7.2 存储芯片与算力的协同优化 88
3.7.3 算力驱动的技术趋势与挑战 88
小结 89
思考题 90
第4章 大数据分析的数学基础 91
4.1 概率论与统计学基础 91
4.1.1 大数据与统计学理论的关系 91
4.1.2 数据分布特征的统计描述 92
4.1.3 概率与概率分布 99
4.1.4 抽样分布 100
4.1.5 点估计与区间估计 101
4.1.6 统计推断 102
4.2 线性代数基础 103
4.2.1 矩阵及其运算 103
4.2.2 n维向量 109
4.2.3 线性方程组 110
4.2.4 矩阵的特征值与特征向量 113
小结 115
思考题 115
第5章 数据挖掘与机器学习 116
5.1 数据挖掘与机器学习概述 116
5.1.1 数据挖掘的定义与核心任务 116
5.1.2 机器学习的基本思想与分类体系 117
5.1.3 两者的协同关系与应用场景 118
5.2 监督学习与分类预测 118
5.2.1 分类任务的基本流程与评估指标 119
5.2.2 典型算法及其应用场景 119
5.2.3 特征选择与模型优化策略 123
5.3 无监督学习与聚类分析 124
5.3.1 聚类任务的核心目标与评估方法 124
5.3.2 主要算法与适用场景 124
5.3.3 降维技术的关联应用 127
5.4 回归分析与预测建模 128
5.4.1 回归任务的基本框架与损失函数 128
5.4.2 典型算法与优化方法 129
5.4.3 模型评估与残差分析 131
5.5 关联规则与序列模式挖掘 131
5.5.1 关联规则的基本概念与度量标准 132
5.5.2 典型算法 132
5.6 异常检测与半监督学习 134
5.6.1 异常检测的核心方法与评估指标 134
5.6.2 半监督学习的应用场景与实现策略 136
5.7 深度学习与强化学习的融合 137
5.7.1 深度学习在数据挖掘中的优势 137
5.7.2 强化学习的动态决策能力 139
5.8 实际应用案例与挑战 140
5.8.1 医疗诊断中的多模态数据融合 140
5.8.2 金融风控中的实时欺诈检测 141
5.8.3 智能制造中的预测性维护与质量控制 141
小结 142
思考题 142
第6章 大数据编程与计算框架 143
6.1 计算框架 143
6.1.1 批处理框架 144
6.1.2 流式处理框架 145
6.1.3 交互式处理框架 146
6.2 MapReduce 146
6.2.1 MapReduce编程模型的特点 147
6.2.2 MapReduce的计算模型 147
6.2.3 MapReduce的资源管理框架 148
6.3 Hadoop 150
6.4 Spark 152
6.4.1 Spark的特点及生态系统 153
6.4.2 Spark的架构与原理 154
6.4.3 Spark RDD 155
6.5 Apache Kafka 156
6.5.1 Kafka的特点和架构 156
6.5.2 Kafka的应用场景 157
6.6 Hive 157
6.6.1 Hive的特点和架构 158
6.6.2 Hive的应用场景 160
6.7 云计算与大数据计算的协同 160
6.7.1 云计算服务模式对大数据计算框架的支持 161
6.7.2 云计算优化大数据处理的策略 162
6.7.3 云环境下的大数据应用案例 163
小结 163
思考题 164
第7章 大数据分析工具与编程语言 165
7.1 统计类工具 165
7.1.1 SPSS 165
7.1.2 SAS 169
7.2 ETL工具 171
7.3 大数据挖掘工具 173
7.3.1 Weka 174
7.3.2 KNIME 176
7.3.3 RapidMiner 178
7.3.4 Orange 179
7.3.5 Oracle Data Mining 181
7.4 编程语言 182
7.4.1 Python 182
7.4.2 R语言 184
小结 186
思考题 186
第8章 大数据的可视化 187
8.1 数据可视化概述 187
8.1.1 数据可视化的定义 187
8.1.2 数据可视化的作用 187
8.1.3 数据可视化的应用场景 189
8.1.4 数据可视化术语 191
8.2 不同类型数据的可视化方法 193
8.2.1 文本数据的可视化 193
8.2.2 地理空间数据的可视化 194
8.2.3 层次和网络数据的可视化 194
8.2.4 高维非空间数据的可视化 195
8.3 数据可视化图表 196
8.4 数据可视化工具 204
8.4.1 主流可视化软件工具介绍 204
8.4.2 可视化工具的选择与使用 207
小结 208
思考题 208
第9章 大数据的隐私与治理 209
9.1 大数据的隐私问题 209
9.2 大数据隐私保护技术 210
9.2.1 加密技术 210
9.2.2 匿名化技术 212
9.2.3 访问控制技术 212
9.3 大数据的隐私立法 213
9.4 大数据治理框架 215
9.4.1 大数据治理目标与原则 215
9.4.2 大数据治理组织架构与职责划分 215
9.4.3 大数据治理流程 216
9.5 元数据和主数据管理 218
9.5.1 元数据管理 218
9.5.2 主数据管理 220
9.6 数据跨境流动治理 222
9.6.1 数据标准化与资产化 222
9.6.2 数据跨境流动是大数据治理的基础 224
9.6.3 数据跨境流动治理机制 225
9.7 大数据治理应用案例 225
小结 227
思考题 227
第10章?大数据与大模型的协同 228
10.1 大模型的概念 228
10.1.1 大模型的起源 228
10.1.2 大模型的定义 230
10.1.3 大模型的发展趋势 232
10.1.4 大模型的重要性及应用价值 232
10.2 大数据与大模型的关系 234
10.2.1 大数据对大模型的作用 234
10.2.2 大模型对大数据的使用 239
10.2.3 案例分析 241
10.3 大模型的技术基础 243
10.3.1 Transformer架构与自注意力机制 244
10.3.2 预训练语言模型 246
10.3.3 微调技术 247
10.3.4 训练成本 250
10.4 大模型与大数据应用 251
10.4.1 典型大模型 252
10.4.2 大模型应用案例 257
小结 262
思考题 263
参考文献 264
【前言】
前 言
在当今信息化浪潮席卷全球的时代，大数据已成为推动社会进步和技术创新的核心力量。随着信息技术的飞速发展和数据生成速度的指数级增长，大数据不仅深刻改变了科学研究的范式，更重塑了商业决策、公共服务乃至人类认知世界的思维方式。无论是医疗健康领域的精准诊疗，还是智慧城市建设中的资源优化，抑或是金融、教育、制造业的智能化转型，大数据都以其独特的价值密度低但潜力巨大的特性，成为驱动各领域变革的关键要素。在此背景下，本书的编写与出版恰逢其时，旨在为读者提供系统化的大数据知识体系，帮助其理解这一技术革命背后的逻辑与实践。
作为一门面向多学科交叉领域的基础课程，“大数据导论”不仅承载着普及数据科学思维的使命，更肩负着培养复合型人才的重要责任。本书立足于三次信息化浪潮的历史脉络，从大数据的产生背景出发，深入剖析其定义、特点、技术架构及与其他前沿技术（如人工智能、物联网、云计算）的协同关系，进而延伸至数据科学的方法论与实际应用场景。通过全样分析而非抽样的思维转换、效率优先而非绝对精确的实践逻辑、相关性探索而非因果推导的认知模式，本书力图引导读者建立适应数据密集型科学时代的世界观与方法论。
本书的特色在于理论深度与实践广度的有机结合。全书以大数据分析流程为主线，从数据采集、清洗、预处理到建模分析、结果评估，系统梳理了从底层存储架构（如HDFS、HBase）到上层应用（如客户细分、供应链优化、智慧城市）的技术链条，并融入了对数据可视化、隐私保护与治理框架的前沿探讨。特别值得关注的是，书中通过对零售、教育、医疗等行业典型案例的介绍，揭示了大数据如何在具体场景中创造价值，同时结合大模型技术的发展趋势，探讨了数据驱动下人工智能的演进路径。这种“技术原理–行业应用–未来展望”的三维架构，既满足了学术研究的严谨性，又兼顾了产业实践的指导意义。
本书适用于计算机科学与技术、数据科学与大数据技术、信息管理与信息系统、国民经济管理等相关专业的本科生及研究生，也可作为企业技术人员、政府管理人员、科技创新人员的参考读物。对于希望掌握大数据基础理论、了解大数据技术落地路径的读者而言，本书既提供了数学基础与算法解析的支撑，也涵盖了分布式存储、并行计算等工程实践的要点；对于关注数据伦理与治理的政策制定者而言，书中关于隐私保护、立法差异及元数据管理的讨论，则为构建合规高效的数据生态提供了理论依据；对于关注大模型与大数据协同发展的读者而言，书中关于大模型的概念、技术基础，大模型与大数据的关系，以及大模型与大数据应用的讨论，则为推动大数据驱动的大模型技术变革提供了基础。
全书内容共分为10章，首先以大数据的时代背景为切入点，阐释其技术演进逻辑与社会价值，然后依次介绍大数据的分析过程、存储系统和算力、分析的数学基础、数据挖掘与机器学习、编程与计算框架、分析工具与编程语言、可视化，并以大数据的隐私与治理、大数据与大模型的协同作为结尾。每一章均注重知识体系的递进性与案例分析的实证性（例如，在分析数据分布特征时引入百分位数与概率分布模型，在讨论存储系统时对比传统关系数据库与非关系数据库的优劣），力求通过严谨的学术表达与鲜活的现实案例，帮助读者构建完整的知识图谱。
本书在编写过程中得到了北京邮电大学网络与交换技术全国重点实验室老师和同学的大力支持，他们是陈祖鑫、隋新、刘昱欣。编者在总结课程教学经验、潜心研究大数据技术的基础上编写了本书，希望本书对读者系统学习大数据导论有所帮助。但由于编者水平有限，书中难免存在一些错误，希望读者批评指正。
编 者
2026年5月
以下为对购买帮助不大的评价