雲時代的大數據 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

周品 著

齣版社： 電子工業齣版社

ISBN：9787121216442

版次：1

商品編碼：11350704

包裝：平裝

開本：16開

齣版時間：2013-10-01

用紙：膠版紙

頁數：348

正文語種：中文

編輯推薦

　　《雲時代的大數據》通俗地闡述瞭什麼是雲，什麼是大數據，雲與大數據有什麼關係；介紹瞭相關的各項技術，以及在商業中怎樣應用大數據。
　　《雲時代的大數據》係統性強，錶述清晰，能將概念闡釋和技術應用很好地融閤。

內容簡介

　　《雲時代的大數據》以雲計算為基石，從概念、研究、應用角度齣發，係統地介紹瞭數據爆炸時代下的大數據。首先介紹瞭雲計算及大數據的基礎知識，讓讀者對雲計算及大數據有概要認識；然後根據需要介紹瞭Hadoop軟件下的MapReduce、HDFS及HBase這幾個組件；接著全麵、係統地介紹瞭雲時代下的大數據，主要包括大數據的鏈接、聚類、項集、係統、相似項挖掘及數據量化等內容，讓讀者挖掘雲時代大數據體係下的效益、價值及研究方嚮。

作者簡介

　　周品，西北工業大學研究生畢業後，一直從事計算機方麵科研與教學工作。廣東省計算機協會會員。校優秀教師，自然科學優秀學術著作（佛山）。著作方嚮：計算機應用技術，MATLAB。

目錄

第1章 雲時代概述
1.1 “雲”概述
1.1.1 什麼是雲計算
1.1.2 給雲計算一個說法
1.1.3 雲計算的使用範圍
1.1.4 雲計算與一般托管環境的差彆
1.2 雲産生的背景
1.2.1 經濟方麵
1.2.2 社會層麵
1.2.3 政治層麵
1.2.4 技術方麵
1.3 雲計算特點
1.4 雲時代的七大益處
1.5 雲計算與其他超級計算的區彆
1.5.1 雲計算與網格計算的區彆
1.5.2 雲計算係統與傳統超級計算機的區彆
1.6 雲計算的關鍵性技術
1.6.1 虛擬化
1.6.2 分布式文件係統
1.6.3 分布式數據庫
1.6.4 資源管理技術
1.6.5 能耗管理技術
1.7 雲計算基礎
1.7.1 雲計算的定義
1.7.2 雲計算的特徵
1.7.3 交付模式
1.7.4 部署模式
1.7.5 新的應用機遇
1.8 從傳統IT到雲
1.9 雲計算的研究進展
1.10 雲計算的生成係統
1.11 雲計算時代對就業的影響
1.12 大數據中的雲

第2章 大數據概述
2.1 大數據概念
2.1.1 大數據的應用
2.1.2 大數據的戰略意義
2.1.3 大數據的作用
2.1.4 大數據與傳統數據庫
2.1.5 大數據與Web
2.2 大數據的理解與實踐
2.2.1 理解大數據
2.2.2 實踐大數據
2.3 大數據的發展趨勢
2.3.1 大數據對社會的影響
2.3.2 雲平颱數據更加完善
2.4 大數據的挑戰、現狀與展望
2.4.1 概述
2.4.2 期望特性
2.4.3 並行數據庫
2.4.4 MapReduce
2.4.5 並行數據庫和MapReduce的混閤架構
2.4.6 研究現狀
2.4.7 MapReduce與關係數據庫技術的融閤
2.4.8 展望研究
2.5 大數據行業應用及未來熱點
2.5.1 分析大數據市場
2.5.2 分析大數據應用需求
2.6 大數據2012年迴顧
2.6.1 2012年大數據新特徵
2.6.2 進軍大數據
2.6.3 新興企業不斷湧現
2.7 大數據引導IT支齣
2.8 數據將變得更加重要
2.9 盤點全球13個大數據公司

第3章 數據挖掘
3.1 數據挖掘的定義
3.1.1 技術上的定義及含義
3.1.2 商業角度的定義
3.2 數據挖掘概述
3.2.1 數據挖掘的起源
3.2.2 數據挖掘方法論
3.2.3 數據挖掘常用方法
3.2.4 數據挖掘的實現步驟
3.2.5 數據挖掘的功能
3.2.6 數據挖掘常用技術
3.2.7 數據挖掘與傳統分析方法的異同
3.2.8 數據挖掘和數據倉庫
3.2.9 數據挖掘的應用
3.3 數據挖掘相關知識
3.3.1 詞語的重要性
3.3.2 哈希函數
3.3.3 索引
3.3.4 二維存儲器
3.3.5 自然對數的底e
3.3.6 冪定律

第4章 數據量化
4.1 量化分析簡介
4.2 規劃優質量化分析
4.2.1 量化分析開發規劃的構成
4.2.2 文檔
4.3 答案綱要
4.4 三角交叉法
4.5 高級量化分析
4.5.1 其他象限
4.5.2 量化分析未成熟組織的益處
4.5.3 重復業務流程
4.5.4 其他象限的量化分析
4.6 創建服務目錄
4.7 構建標準和基準
4.8 量化數據談投資

第5章 大規模文件係統MapReduce
5.1 分布式文件係統
5.1.1 NFS和AFS的區彆
5.1.2 計算節點的物理結構
5.2 MapReduce模型
5.2.1 Map任務
5.2.2 分組與聚閤
5.2.3 Reduce任務
5.3 MapReduce使用算法
5.3.1 嚮量乘法實現
5.3.2 內存處理
5.3.3 關係運算
5.3.4 分布文件係統實例
5.4 MapReduce復閤鍵值對的使用
5.4.1 閤並鍵值
5.4.2 用復閤鍵排序
5.5 鏈接MapReduce作業
5.5.1 順序鏈接MapReduce作業
5.5.2 復雜的MapReduce鏈接
5.5.3 前後處理的鏈接
5.5.4 鏈接不同的數據
5.6 MapReduce遞歸擴展
5.7 集群計算算法的效率問題
5.7.1 集群計算的通信開銷模型
5.7.2 多路連接

第6章 相似項挖掘
6.1 近鄰搜索的應用
6.1.1 Jaccard相似度
6.1.2 文檔相似度
6.2 文檔的shingling算法
6.2.1 k-shingle
6.2.2 大小選擇
6.2.3 對shingle進行哈希
6.3 最小哈希
6.3.1 矩陣錶示集閤
6.3.2 最小哈希概述
6.3.3 Jaccard相似度
6.3.4 最小哈希簽名
6.3.5 簽名計算
6.4 語音文檔局部敏感哈希算法
6.4.1 局部敏感哈希概述
6.4.2 行條化策略的分析
6.5 距離測試
6.5.1 距離測度的定義
6.5.2 歐氏距離
6.5.3 Jaccard距離
6.5.4 餘弦距離
6.5.5 編輯距離
6.5.6 海明距離
6.6 其他距離測度的LSH函數族
6.6.1 海明距離的LSH函數族
6.6.2 隨機超平麵與餘弦距離
6.6.3 歐氏距離的LSH函數族
6.7 LSH函數的應用
6.7.1 實體關聯
6.7.2 指紋匹配
6.7.3 論文相似性檢測服務
6.8 高相似度方法
6.8.1 相等項發現
6.8.2 集閤字串錶示法
6.8.3 長度過濾
6.8.4 前綴索引
6.8.5 位置信息使用
6.8.6 使用位置和長度信息的索引

第7章 HDFS存儲海量數據
7.1 HDFS簡介
7.1.1 HDFS的特點
7.1.2 HDFS的設計需求
7.1.3 HDFS體係結構
7.1.4 HDFS的可靠性措施
7.1.5 數據均衡
7.2 HDFS存取機製
7.3 圖像存儲
7.3.1 圖像存儲基本思想
7.3.2 圖像存儲設計目標
7.3.3 圖像存儲體係結構
7.3.4 係統功能結構
7.4 HDFS管理操作
7.4.1 權限管理
7.4.2 配額管理
7.4.3 文件歸檔
7.5 FS Shell使用指南
7.6 API使用
7.7 HDFS的缺點
7.8 HDFS存儲海量數據

第8章 HBase存儲百科數據
8.1 HBase的係統框架
8.2 HBase基本特徵
8.2.1 RDBMS與HBase
8.2.2 NoSQL數據庫
8.2.3 HBase的特點
8.3 HBase的基本接口
8.3.1 HBase訪問接口
8.3.2 HBase的存儲格式
8.3.3 HBase的讀寫流程
8.4 模塊總體設計
8.4.1 數據庫模塊總體設計
8.4.2 模塊詳細設計
8.4.3 數據庫模塊交互設計
8.5 HBase數據模型
8.6 HBase的安裝與配置
8.7 HBase實例分析
8.7.1 HBase的HFileOutputFormat
8.7.2 HBase的TableOutputFormat

第9章 大數據鏈接分析
9.1 鏈接分析中的數據采集研究
9.1.1 鏈接分析概述
9.1.2 相關研究
9.1.3 係統功能設計
9.1.4 實驗
9.1.5 結論
9.2 PageRank工具
9.2.1 PageRank概述
9.2.2 PageRank定義
9.2.3 相關算法
9.2.4 避免終止點
9.2.5 采集器陷阱及“抽稅”法
9.2.6 影響PageRank的因素
9.3 PageRank算法
9.4 搜索引擎研究
9.4.1 搜索引擎未來的發展方嚮
9.4.2 通用型搜索引擎
9.4.3 主題型搜索引擎
9.4.4 性能指標
9.5 鏈接作弊
9.5.1 垃圾農場的架構
9.5.2 垃圾農場的分析
9.5.3 TrustRank
9.5.4 垃圾質量
9.6 導航頁和權威頁

第10章 聚類
10.1 聚類概述
10.1.1 聚類的典型應用
10.1.2 聚類的典型要求
10.1.3 聚類的計算方法
10.1.4 聚類分析的特徵
10.2 聚類技術
10.2.1 點、空間和距離
10.2.2 維數災難
10.3 層次聚類
10.3.1 歐氏空間下的層次聚類
10.3.2 控製層次聚類的其他規則
10.3.3 非歐空間下的層次聚類
10.4 K-均值算法
10.4.1 K-均值算法的簇初始化
10.4.2 K值的選擇
10.4.3 BFR算法
10.4.4 BFR算法中的數據處理
10.5 CURE算法
10.5.1 CURE算法流程
10.5.2 CURE算法設計
10.5.3 數據取樣算法
10.6 流聚類及並行化
10.6.1 流計算模型
10.6.2 二次聚類算法
10.7 非歐空間下的聚類
10.7.1 GRGPF算法的簇錶示
10.7.2 簇樹的初始化
10.7.3 算法中加入點
10.7.4 分裂與閤並

第11章 項集與係統
11.1 項集與係統概述
11.2 項集
11.2.1 規則
11.2.2 內存使用
11.2.3 單調性
11.2.4 二元組計數
11.2.5 A-Priori算法
11.2.6 頻繁項集上的A-Priori算法
11.3 更大數據集處理
11.3.1 PCY算法
11.3.2 多階段算法
11.3.3 多哈希算法
11.4 有限掃描算法
11.4.1 隨機算法
11.4.2 SON算法
11.4.3 MapReduce算法
11.4.4 Toivonen算法
11.5 流中的頻繁項
11.5.1 抽樣法
11.5.2 衰減窗口的頻繁項集
11.5.3 混閤方法
11.6 推薦模型係統
11.6.1 效用矩陣
11.6.2 長尾現象
11.6.3 效用矩陣的填充
11.7 內容的推薦
11.7.1 項模型
11.7.2 項模型的錶示
11.7.3 分類算法
11.8 協同過濾
11.8.1 協同過濾的優缺點
11.8.2 協同過濾案例
11.9 降維處理
11.9.1 基於中心流形理論的降維方法
11.9.2 Lyapunov-SchmidtL-S方法
11.9.3 Galerkin方法
11.9.4 正交分解技術的降維方法
11.9.5 其他降維方法
11.10 Netflix大奬賽與推薦係統
參考文獻

評分☆☆☆☆☆

2.5 大數據行業應用及未來熱點

評分☆☆☆☆☆

2.5.2 分析大數據應用需求

評分☆☆☆☆☆

4.5.1 其他象限

評分☆☆☆☆☆

2.5.1 分析大數據市場

評分☆☆☆☆☆

1.10 雲計算的生成係統

評分☆☆☆☆☆

6.1 近鄰搜索的應用

評分☆☆☆☆☆

5.7.1 集群計算的通信開銷模型

評分☆☆☆☆☆

3.2.5 數據挖掘的功能

評分☆☆☆☆☆

5.7.1 集群計算的通信開銷模型