计算机 类型
可以朗读 语音朗读
103千字 字数
2018-01-01 发行日期
展开全部

主编推荐语

大数据时代入门教程：分享数据探索经历，分3部分全面剖析数据挖掘与应用。

内容简介

伴随着大数据时代的发展，数据价值的挖掘以及产品化逐渐被重视起来。本书作为该领域的入门教程，打破以往的数据工具与技术的介绍，凭借作者在大数据价值探索的所感所悟，以故事的形式和读者分享一个又一个的数据经历，引人深思，耐人寻味。全书共10章，大致分为3个部分：第1部分（第1~3章）介绍数据情怀与数据入门；第2部分（第4~7章）讨论大数据挖掘相关的一系列学习体系；第3部分（第8~10章）为实践应用与数据产品的介绍，让所有学习大数据挖掘的朋友清楚如何落地，以及在整个数据生态圈所扮演的角色性，全面了解数据的上下游。

目录

  • 封面
  • 版权页
  • 前言
  • 目录
  • 第1章 数据情怀篇
  • 1.1 数据之禅
  • 1.2 数据情怀
  • 1.2.1 数据情怀这股劲
  • 1.2.2 对数据情怀的理解
  • 1.3 大数据时代的我们
  • 1.4 成为DT时代的先驱者
  • 1.4.1 数据没有寒冬
  • 1.4.2 数据生态问题
  • 1.4.3 健康的数据生态
  • 1.4.4 结尾
  • 第2章 数据入门
  • 2.1 快速掌握SQL的基础语法
  • 2.1.1 初识SQL
  • 2.1.2 学会部署环境
  • 2.1.3 常用的SQL语法（上篇）
  • 2.1.4 常用的SQL语法（下篇）
  • 2.2 在Windows 7操作系统上搭建IPython Notebook
  • 2.2.1 学习Python的初衷
  • 2.2.2 搭建IPython Notebook
  • 2.2.3 IPython.exe Notebook的使用说明
  • 2.2.4 配置IPython Notebook远程调用
  • 2.3 快速掌握Python的基本语法
  • 2.4 用Python搭建数据分析体系
  • 2.4.1 构建的初衷
  • 2.4.2 构建思路
  • 2.4.3 开发流程
  • 2.5 Python学习总结
  • 2.5.1 关于Python
  • 2.5.2 Python其他知识点
  • 第3章 大数据工具篇
  • 3.1 Hadoop伪分布式的安装配置
  • 3.1.1 部署CentOS环境
  • 3.1.2 部署Java环境
  • 3.1.3 部署Hadoop伪分布式环境
  • 3.2 数据挖掘中的MapReduce编程
  • 3.2.1 学习MapReduce编程的目的
  • 3.2.2 MapReduce的代码规范
  • 3.2.3 简单的案例
  • 3.3 利用MapReduce中的矩阵相乘
  • 3.3.1 矩阵的概念
  • 3.3.2 不同场景下的矩阵相乘
  • 3.4 数据挖掘中的Hive技巧
  • 3.4.1 面试心得
  • 3.4.2 用Python执行HQL命令
  • 3.4.3 必知的HQL知识
  • 3.5 数据挖掘中的HBase技巧
  • 3.5.1 知晓相关依赖包
  • 3.5.2 从HBase中获取数据
  • 3.5.3 往HBase中存储数据
  • 第4章 大数据挖掘基础篇
  • 4.1 MapReduce和Spark做大数据挖掘的差异
  • 4.1.1 初识Hadoop生态系统
  • 4.1.2 知晓Spark的特点
  • 4.1.3 编程的差异性
  • 4.1.4 它们之间的灵活转换
  • 4.1.5 选择合适的工具
  • 4.2 搭建大数据挖掘开发环境
  • 4.3 动手实现算法工程
  • 4.3.1 知晓Spark On Yarn的运作模式
  • 4.3.2 创作第一个数据挖掘算法
  • 4.3.3 如何理解“朴素”二字
  • 4.3.4 如何动手实现朴素贝叶斯算法
  • 第5章 大数据挖掘认知篇
  • 5.1 理论与实践的差异
  • 5.2 数据挖掘中的数据清洗
  • 5.2.1 数据清洗的那些事
  • 5.2.2 大数据的必杀技
  • 5.2.3 实践中的数据清洗
  • 5.3 数据挖掘中的工具包
  • 5.3.1 业务模型是何物
  • 5.3.2 想做一个好的模型
  • 第6章 大数据挖掘算法篇
  • 6.1 时间衰变算法
  • 6.1.1 何为时间衰变
  • 6.1.2 如何理解兴趣和偏好
  • 6.1.3 时间衰变算法的抽象
  • 6.1.4 采用Spark实现模型
  • 6.2 熵值法
  • 6.2.1 何为信息熵
  • 6.2.2 熵值法的实现过程
  • 6.2.3 业务场景的介绍
  • 6.2.4 算法逻辑的抽象
  • 6.3 预测响应算法
  • 6.3.1 业务场景的介绍
  • 6.3.2 构建模型的前期工作
  • 6.3.3 常用的预测模型
  • 6.4 层次分析算法
  • 6.5 工程能力的培养与实践
  • 6.5.1 工程能力的重要性
  • 6.5.2 利用Python实现层次分析法
  • 第7章 用户画像实践
  • 7.1 用户画像的应用场景
  • 7.1.1 背景描述
  • 7.1.2 需求调研
  • 7.2 用户画像的标签体系
  • 7.2.1 需求分析
  • 7.2.2 标签的构建
  • 7.3 用户画像的模块化思维
  • 7.3.1 何为模块化思维
  • 7.3.2 用户画像与模块化思维
  • 7.4 用户画像的工程开发
  • 7.4.1 对于开发框架的选择
  • 7.4.2 模块化功能的设计
  • 7.5 用户画像的智能营销
  • 7.5.1 业务营销
  • 7.5.2 营销构思
  • 7.5.3 技术难点
  • 第8章 反欺诈实践篇
  • 8.1 “羊毛党”监控的业务
  • 8.1.1 “羊毛党”的定义与特点
  • 8.1.2 “羊毛”存在的必然性
  • 8.1.3 “羊毛党”的进化
  • 8.1.4 “羊毛党”存在的利与弊
  • 8.1.5 “羊毛党”监控平台的意义
  • 8.2 “羊毛党”监控的设备指纹
  • 8.2.1 何为设备指纹
  • 8.2.2 底层参数
  • 8.2.3 应用场景
  • 8.2.4 移动端的数据持久化
  • 8.2.5 设备指纹生成算法
  • 8.3 “羊毛党”监控的数据驱动
  • 8.3.1 监控的目的
  • 8.3.2 数据如何“食用”
  • 8.4 “羊毛党”监控的实践分享
  • 第9章 大数据挖掘践行篇
  • 9.1 如何从0到1转型到大数据圈子
  • 9.2 数据挖掘从业者综合能力评估
  • 9.2.1 度量的初衷
  • 9.2.2 综合能力评估
  • 9.2.3 个人指标体系（大数据挖掘）
  • 9.3 给想要进入数据挖掘圈子的新人一点建议
  • 9.3.1 诚信与包装
  • 9.3.2 筹备能力
  • 9.3.3 投好简历
  • 9.3.4 把握面试
  • 9.3.5 结尾
  • 后记 数据价值探索与数据产品实践
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。