大数据分析方法与应用

1）选取的均是在实际应用中表现稳定、应用前景广泛的大数据分析技术。 2）通过软件操作步骤、代码实现和结果可视化提供易学易用的学习指导。 3）在各算法的原理讲解中融入多个经典案例，各章附有对应案例和习题。 4）配套提供电子课件、习题答案、教学大纲、知识点视频。

本书将理论与应用结合，介绍了大数据技术、大数据分析方法以及大数据伦理规范等基础知识，可供读者入门学习使用。本书共9章，包括大数据概述、数据分析基础、回归分析、聚类算法、推荐算法、文本挖掘、启发式算法、支持向量机和神经网络。各章都附有对应案例和习题，以帮助读者理解和应用。 本书作为大数据公共通识课程的导论教材，为高校学生选修大数据课程编写，主要面向大数据应用型人才培养，也可供相关技术人员参考。

前言 第1章大数据概述 11大数据的相关概念 111大数据的背景与来源 112大数据的概念与特征 113大数据的数据类型 114《“十四五”大数据产业发展规划》与“5V” 12对科学研究和经济社会的影响 121对科学研究的影响 122对经济社会的影响 123大数据技术发展趋势 13大数据的研究现状 14大数据发展的机遇与挑战 141机遇 142挑战 15大数据分析的相关概念 151大数据分析的概念 152大数据分析与传统数据分析的比较 153大数据分析的流程 154大数据分析的基础模型 16大数据的应用 习题 参考文献 第2章数据分析基础 21数据的类型与分布 211总体和样本 212定性数据和定量数据 213截面数据和时间序列数据 22变量之间的关系 221协方差 222相关系数 23数据的可视化——基于Excel的应用 231散点图 232柱形图和折线图 233数据透视表 24数据的输入 241数据的输入方法 242数据有效性 243条件函数IF 244函数VLOOKUP 习题 第3章回归分析 31线性和非线性回归 311线性回归及其Excel中的实现 312最小二乘回归 313非线性回归及其Excel中的实现 32多元回归 321多元回归的概念 322多重共线性 323多元回归及其SPSS中的实现 324居民存款影响因素多元回归案例分析 33岭回归 331岭回归的概念 332岭回归及其在SPSS中的实现 333居民存款影响因素岭回归案例分析 34LASSO回归 341LASSO回归的概念 342LASSO回归及其SPSS中的 实现 343居民存款影响因素LASSO回归案例分析 习题 参考文献 第4章聚类算法 41聚类的原理 42K-Means聚类 421K-Means聚类算法的原理 422K-Means聚类算法在MATLAB中的实现 43K最近邻算法 431K最近邻算法的原理 432K最近邻算法在MATLAB中的实现 433鸢尾花分类案例分析 44模糊C-均值算法 441模糊C-均值算法的原理 442模糊C-均值算法在MATLAB中的实现 443用户需求聚类案例分析 习题 参考文献 第5章推荐算法 51协同过滤推荐算法 511基于用户的协同过滤算法 512基于商品的协同过滤算法 513案例分析1：二手汽车交易平台推荐 514案例分析2：著名电影推荐 52协同过滤算法常见的问题以及对策 521冷启动问题及对策 522稀疏性问题及对策 53基于内容的推荐算法 531基于结构化内容的推荐 532基于非结构化内容的推荐 54基于模型的推荐算法 55基于关联规则的推荐算法 56信息隐私与基于隐私保护的方案推荐方法 561信息隐私 562基于隐私保护的方案推荐方法 57信息污染与信任推荐算法 571信息污染 572信任推荐算法 58信息茧房 习题 参考文献 第6章文本挖掘 61文本挖掘的应用价值 62文本挖掘的流程 621文本挖掘的关键技术 622文档收集方法 623分词技术 624词的表示形式 625文本特征属性处理 63LDA主题模型 631LDA主题模型介绍 632吉布斯采样 633LDA主题模型训练过程 64基于LDA主题模型的客户需求挖掘案例分析 习题 参考文献 第7章启发式算法 71启发式算法的基本原理 711启发式函数 712搜索策略 72启发式算法的类型 721仿动物类启发式算法 722仿植物类启发式算法 73遗传算法及其实现 731遗传算法的原理 732遗传算法的步骤 733遗传算法的计算机实现 74粒子群算法及其实现 741粒子群算法的原理 742粒子群算法的步骤 743粒子群算法的计算机实现 75物流配送中心选址案例分析 习题 参考文献 第8章支持向量机 81支持向量机的原理 811支持向量机的由来 812支持向量机的发展 82支持向量机算法 821支持向量机的模型算法 822支持向量机模型优化算法 823核函数 824支持向量机算法的计算机实现 83支持向量机算法参数优化 831模糊支持向量机 832最小二乘支持向量机 833粒子群算法优化支持向量机 84算法应用及案例分析 习题 参考文献 第9章神经网络 91发展历程 92基础模型 921神经元 922网络结构 93典型神经网络 931反向传播神经网络 932卷积神经网络 933长短期记忆网络 94人工智能的中立性 95信息不公 96应用案例 961卷积用于情感分析 962LSTM用于预测：滑坡位移预测 97数字技术伦理规范 习题 参考文献