大数据分析与应用

本书紧紧围绕“构建知识 体系，阐明基本原理，引 导理论实践，了解相关应 用”的指导思想，对大数据 分析与应用的知识体系进 行了系统梳理。本书第一 章介绍了大数据分析的相 关概念、大数据分析模型 的建立方法；第二章介绍 了数据仓库模型和大数据 可视化；第三章介绍了数 据预处理。本书后面章节 围绕各种算法展开，第四 章描述了数据回归分析模 型，包括一元回归、多元 回归、Logistics回归；第五 章、第六章、第七章是本 书的重点章节，分别介绍 了关联分析模型、分类分 析模型和聚类分析模型； 第八章介绍了预测分析模 型，包括灰色预测和马尔 科夫预测；第九章、第十 章分别讲解了离群点分析 模型和文本分析模型；第 十一章介绍了推荐系统模 型，对之前章节内容做出 应用实践。

第一章 大数据分析概述 第一节 认识大数据 第二节 认识大数据分析 第三节 大数据分析模型建立方法 本章小结 思考练习题 参考文献 第二章 数据仓库模型和大数据可视化 第一节 什么是数据仓库 第二节 数据仓库建模 第三节 大数据可视化 本章小结 思考练习题 参考文献 第三章 大数据分析的数据预处理 第一节 数据抽样和过滤 第二节 数据规范化与标准化 第三节 数据清洗 第四节 数据清洗方法对比分析 本章小结 思考练习题 参考文献 第四章 数据回归分析模型 第一节 回归分析概述 第二节 一元回归 第三节 多元回归 第四节 Logistics回归 第五节 梯度 本章小结 思考练习题 参考文献 第五章 关联分析模型与算法 第一节 关联规则背景 第二节 关联规则概述 第三节 Apriori算法 第四节 FP-growth算法生成频繁项集 第五节 关联规则的生成 第六节 应用案例 本章小结 思考练习题 参考文献 第六章 分类分析模型与算法 第一节 分类分析概述 第二节 决策树 第三节 支持向量机 第四节 KNN算法 第五节 朴素贝叶斯 第六节 随机森林 第七节 神经网络 第八节 分类性能评价 第九节 应用案例 本章小结 思考练习题 参考文献 第七章 聚类分析与模型 第一节 聚类分析概述 第二节 聚类分析的距离和相似性 第三节 K-means算法 第四节 EM算法 第五节 DBSCAN算法 第六节 层次聚类 第七节 高斯混合聚类 第八节 SOM智能聚类算法 第九节 聚类算法评价指标 第十节 应用案例 本章小结 思考练习题 参考文献 第八章 预测分析与模型 第一节 预测分析概述 第二节 灰色预测 第三节 马尔科夫预测 第四节 预测分析的准确度评价及影响因素 第五节 应用案例 本章小结 思考练习题 参考文献 第九章 异常点分析与模型 第一节 异常点分析概述 第二节 基于统计的异常点分析 第三节 基于距离的异常点分析 第四节 基于密度的异常点分析 第五节 基于聚类的异常点检测 第六节 其他异常点检测 第七节 应用案例 本章小结 思考练习题 参考文献 第十章 文本分析模型 第一节 文本分析概述 第二节 文本分析流程 第三节 文本分析常用技术 第四节 文本分析的应用 第五节 应用案例 本章小结 思考练习题 参考文献 第十一章 推荐模型与系统 第一节 推荐概述 第二节 推荐系统的架构 第三节 基于协同过滤的推荐 第四节 基于关联规则的推荐 第五节 基于分类、聚类的推荐 第六节 基于W2V的推荐算法 第七节 应用案例 本章小结 思考练习题 参考文献