✍ Scribed by 周苏; 王文
No coin nor oath required. For personal study only.
《大数据导论》是为高等院校相关专业“大数据基础”“大数据导论”等课程全新设计编写，具有丰富实践特色的主教材，也可供有一定实践经验的软件开发人员、管理人员参考和作为继续教育的教材。
封面
扉页
内容简介
版权页
前言
课程教学进度表
目录
第1章 大数据与大数据时代
1.1 什么是大数据
1.2 大数据变革思维
1.3 大数据的结构类型
1.4 大数据的发展
第2章 大数据的可视化
2.1 数据与可视化
2.2 数据与图形
2.3 公共数据集
2.4 实时可视化
2.5 挑战图像的多变性
2.6 数据可视化的运用
第3章 大数据的商业规则
3.1 大数据的跨界年度
3.2 谷歌的大数据行动
3.3 亚马逊的大数据行动
3.4 将信息变成一种竞争优势
3.5 大数据营销
第4章 大数据时代的思维变革
4.1 大数据时代的大挑战
4.2 转变之一:样本＝总体
4.3 转变之二:接受数据的混杂性
4.4 转变之三:数据的相关关系
第5章 大数据促进医疗与健康
5.1 大数据与循证医学
5.2 大数据带来的医疗新突破
5.3 医疗信息数字化
5.4 搜索:超级大数据的最佳伙伴
5.5 数据决策的成功崛起
第6章 大数据激发创造力
6.1 大数据帮助改善设计
6.2 大数据操作回路
6.3 大数据资产的崛起
第7章 大数据预测分析
7.1 什么是预测分析
7.2 数据情感和情感数据
7.3 数据具有内在预测性
7.4 情感的因果关系
第8章 大数据促进学习
8.1 打造网络教育体系
8.2 机器学习及其研究
8.3 机器学习的分类
第9章 大数据在云端
9.1 云端大数据
9.2 计算虚拟化
9.3 大数据存储
9.4 网络虚拟化
9.5 数据即服务
9.6 云的挑战
第10章 支撑大数据的技术
10.1 开源技术的商业支援
10.2 大数据的技术架构
10.3 什么是Hadoop
10.4 大数据的数据处理基础
10.5 相关的大数据技术
第11章 数据科学与数据科学家
11.1 什么是数据科学
11.2 数据分析生命周期模型
11.3 数据科学家
11.4 数据科学的重要技能
第12章 大数据的未来
12.1 消费者的隐私权
12.2 连接开放数据
12.3 数据市场的兴起
12.4 将原创数据变为增值数据
12.5 大数据未来展望
正文结束
参考文献
📜 SIMILAR VOLUMES
大数据导论是了解和学习大数据的基础，本书系统地讲解了大数据基本概念、大数据的架构、大数据的采集方式和预处理、数据仓库的构建模式、大数据的存储，数据挖掘的方法及大数据的可视化技术，从而更好地将大数据技术应用在各行业领域，更深入地开展大数据技术的应用研究。从基础开始，由浅入深进行学习，逐步理清大数据的核心技术和发展趋势。 本书系统地讲解了大数据基本概念，尽可能希望通过理论与实际案例相结合，寻找合适的切入点，让读者对理论知识的掌握更直接、更快速。可以作为培养应用型人才的课程教材，也适用于大数据初学者对大数据基础理论有需求的广大读者。
书签已装载， 书签制作方法请找 [email protected] 完全免费 本书全面介绍了现在应用广泛的数据库系统，为数据库技术基础知识提供坚实的基础，并对数据库领域的将来发展方向给出看法，本书一直是数据库方面的权威著作。本书整体上可以划分成六个主要部分：基本概念、关系模型、数据库设计、事务管理、高级专题、对象，关系和XML。第8版已经对数据库系统目前的系统的最新发展内容进行了扩充；同时又注重于强调概念的理解，而不仅局限于公式的条陈。 本书可用作计算机展业本科生和研究生学习数据库的教科书，也可供从事数据库研究工作的相关人员作为参考书。
<p>本书为数据挖掘入门级教材，共分8章，主要内容分为三个专题：技术、数据和评估。技术专题包括决策树技术、K-means算法、关联分析技术、神经网络技术、回归分析技术、贝叶斯分析、凝聚聚类、概念分层聚类、混合模型聚类技术的EM算法、时间序列分析和基于Web的数据挖掘等常用的机器学习方法和统计技术。数据专题包括数据库中的知识发现处理模型和数据仓库及OLAP技术。评估专题包括利用检验集分类正确率和混淆矩阵，并结合检验集置信区间评估有指导学习模型，使用无指导聚类技术评估有指导模型，利用Lift和假设检验比较两个有指导学习模型，使用MS Excel 2010和经典的假设检验模型评估属性，使用簇质量度量
<p>本书全面介绍了数据挖掘，涵盖了五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术，而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时，还能够了解更多重要的高级主题。</p> <p>本书是明尼苏达大学和密歇根州立大学数据挖掘课程的教材，由于独具特色，正式出版之前就已经被斯坦福大学、得克萨斯大学奥斯汀分校等众多名校采用。</p> <p>本书特色</p> <p> 与许多其他同类图书不同，本书将重点放在如何用数据挖掘知识解决各种实际问题。</p> <p> 只要求具备很少
本书全面讲述人工智能与大数据涉及的技术，学完本书后，读者将对人工智能技术有全面的理解，并能掌握AI整体知识架构。 本书共分16章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗、公安、工农业等行业人工智能应用情况。附录给出了极有参考价值的大数据与人工智能产业参考资料。 本书适合人工智能与大数据技术初学者、人工智能行业准从业人员、AI投资领域的技术专家阅读，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。
本书全面讲述人工智能与大数据涉及的技术，学完本书后，读者将对人工智能技术有全面的理解，并能掌握AI整体知识架构。 本书共分16章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗、公安、工农业等行业人工智能应用情况。附录给出了极有参考价值的大数据与人工智能产业参考资料。 本书适合人工智能与大数据技术初学者、人工智能行业准从业人员、AI投资领域的技术专家阅读，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。