相關商品
商品簡介
名人/編輯推薦
目次
商品簡介
《大數據走向云計算》以Hadoop為鋪墊，以概念、價值、動向及應用為導線，系統地介紹了大數據走向云計算的原理與技術。首先，介紹了云時代、大數據時代的基本內容，讓讀者了解到云計算、大數據各自的知識點；其次，介紹了大數據走向云端、云下的大數據工程，讓讀者領略到大數據在云的作用下的價值及應用；然后，介紹了搭建云計算開發環境、分布式文件系統、并行計算、分布式鎖等內容，讓讀者認識到Hadoop組件的構建及使用；接著，介紹了數據挖掘、社會中的大數據等應用，讓讀者掌握到大數據走向云端的需求及益處。最后，總結介紹云下的大數據應用，讓讀者真正領會到大數據走向云端的實際效用。
《大數據走向云計算》適合于云計算、大數據初中級讀者使用，也可作為大數據專業研究人員的參考資料。
《大數據走向云計算》適合于云計算、大數據初中級讀者使用，也可作為大數據專業研究人員的參考資料。
名人/編輯推薦
涵蓋云計算、大數據等當前最火熱話題
以開源的Hadoop為鋪墊，從概念、價值、動向及應用為導線，系統地介紹了大數據走向云端
不是長篇大論的介紹理論，而是具體介紹各種開發技術
云計算、大數據初中級讀者必備
以開源的Hadoop為鋪墊，從概念、價值、動向及應用為導線，系統地介紹了大數據走向云端
不是長篇大論的介紹理論，而是具體介紹各種開發技術
云計算、大數據初中級讀者必備
目次
目 錄
第1章 云時代 1
1．1 云計算力量 1
1．2 云計算概述 2
1．2．1 云基本特征 3
1．2．2 云計算簡史 4
1．2．3 云計算演化 5
1．2．4 云服務形式 6
1．2．5 云時代誰是主角 10
1．3 云計算的原動力 11
1．3．1 芯片與硬件技術 12
1．3．2 資源虛擬化 12
1．3．3 面向服務架構 13
1．3．4 軟件即服務 13
1．3．5 互聯網技術 14
1．3．6 Web技術 14
1．4 云研究趨勢 14
1．5 云計算技術 16
1．5．1 虛擬化技術 16
1．5．2 數據存儲技術 17
1．5．3 資源管理技術 19
1．5．4 能耗管理技術 20
1．5．5 云監測技術 21
1．6 云優勢分析 23
1．6．1 優化產業布局 23
1．6．2 推進專業分工 24
1．6．3 提升資源利用率 25
1．6．4 降低運營成本 26
1．6．5 產生新創價值 26
1．7 云業務實施 26
1．7．1 基礎設施層 27
1．7．2 平臺層 28
1．7．3 實施應用層 30
1．8 移動云 31
1．8．1 移動云優勢 31
1．8．2 應用案例 31
1．9 云標準 32
1．9．1 云標準定制 32
1．9．2 云標準主要內容 32
1．9．3 云計算潛在需求分析 33
1．9．4 云標準意義 34
1．9．5 云標準發展趨勢 34
1．10 云安全 35
1．10．1 云安全發展趨勢 36
1．10．2 云安全難點問題 36
1．10．3 云安全新增及增強功能 37
1．10．4 云安全存在問題 38
1．11 云計算的九大威脅 39
第2章 大數據時代 41
2．1 什么是大數據 41
2．2 大數據來源 42
2．3 大數據商業價值 43
2．4 打造高能效數據中心 44
2．5 大數據變革 45
2．5．1 變革公共衛生 45
2．5．2 變革商業 46
2．5．3 變革思維 48
2．5．4 開啟重大的時代轉型 48
2．6 大數據的核心 51
2．7 大數據的挑戰 51
2．8 大數據的現狀 53
2．9 大數據推進力 55
2．10 大數據存儲 56
2．11 大數據治理 57
2．12 大數據未來五年路線 58
2．13 大數據的應用 59
第3章 大數據走向云端 63
3．1 時代雙雄 63
3．2 “大數據”走進云端 64
3．3 云計算與大數據的聯系 66
3．3．1 云與大數據的聯系 66
3．3．2 大數據和云計算的不同之處 67
3．4 數據向云計算遷移 67
3．4．1 遷移過程 67
3．4．2 數據的丟失與備份 67
3．4．3 遷移應注意問題 68
3．4．4 管理與監控 68
3．5 云延伸 68
3．5．1 云計算的延伸 69
3．5．2 網絡管理維護優化 69
3．5．3 用戶行為分析 69
3．5．4 個性化推薦 70
3．5．5 數據云服務(DaaS) 70
3．6 云計算與大數據挑戰與機遇并存 70
第4章 云下的大數據工程 72
4．1 信息所需求的新生力量 72
4．1．1 技術因素 72
4．1．2 商業模式因素 73
4．2 信息系統工程 73
4．2．1 云計算基本思想 73
4．2．2 云計算實現 74
4．3 信息系統工程架構轉變 81
4．3．1 豎井式的信息系統 81
4．3．2 逐漸完善的系統需求 83
4．3．3 全新的系統架構 86
4．3．4 新型企業信息系統模塊 87
4．4 商業變革因素 92
4．4．1 零售企業的流程再造 92
4．4．2 IT資源使用新方式 94
4．4．3 整合的新平臺 95
4．4．4 轉型新思路 96
4．4．5 創新的新動力 97
4．5 信息工業革命 97
4．5．1 解放生產力 97
4．5．2 云計算改變信息生活 98
4．5．3 推動社會變革 100
4．6 云計算機遇 102
4．6．1 私有云發展更快 103
4．6．2 數據集中 105
4．6．3 企業的“云”機遇 106
4．6．4 中國“云”企業的機遇挑戰 107
第5章 搭建云計算開發環境 109
5．1 Hadoop環境搭建 109
5．1．1 在Linux下安裝Hadoop 109
5．1．2 Hadoop安裝步驟 110
5．1．3 在Windows下安裝Hadoop 115
5．2 Hadoop的優點 120
5．3 HBase環境搭建 121
5．3．1 HBase的系統框架 121
5．3．2 HBase的模型 123
5．3．3 HBase的安裝配置 126
5．4 ZooKeeper環境搭建 128
5．4．1 ZooKeeper的原理 128
5．4．2 Zookeeper的特點 128
5．4．3 Zookeeper的安裝 129
5．5 MapReduce概述 131
5．5．1 MapReduce實現機制 131
5．5．2 MapReduce執行流程 132
5．5．3 MapReduce映射和化簡 133
5．6 Pig環境搭建 133
5．6．1 Pig概述 133
5．6．2 Pig安裝 134
第6章 分布式文件系統 135
6．1 分布式文件系統概述 135
6．1．1 發展史 135
6．1．2 實現方法 136
6．1．3 研究狀況 136
6．2 分布式文件系統類型 137
6．2．1 網絡文件系統 137
6．2．2 Andrew文件系統 142
6．2．3 分布式文件系統 143
6．3 xFS概述 144
6．3．1 xFS體系結構 144
6．3．2 xFS通信 145
6．3．3 xFS進程 145
6．3．4 xFS緩存 147
6．3．5 xFS容錯性 147
6．3．6 xFS安全性 148
6．3．7 xFS特性 148
6．3．8 xFS性能考慮 149
6．4 DAFS概述 149
6．4．1 DAFS基本原理 150
6．4．2 DAFS設計目的 150
6．4．3 文件訪問方式 151
6．4．4 實現客戶端 151
6．5 GFS概述 152
6．5．1 文件系統架構 153
6．5．2 GFS的特點 154
6．5．3 文件系統的容錯性 155
6．5．4 系統管理技術 155
6．6 GPFS共享文件 156
6．6．1 GPFS概述 156
6．6．2 GPFS特性 158
6．6．3 GPFS的高性能和可擴展性 159
6．7 Lustre并行文件系統 159
6．7．1 Lustre概述 159
6．7．2 Lustre組成部分 161
6．8 分布式鎖服務Chubby 162
6．8．1 Paxos算法 163
6．8．2 Chubby目標設計 164
6．8．3 Chubby中的Paxos 165
6．8．4 Chubby文件系統 167
6．8．5 Chubby通信協議 168
6．8．6 正確性和性能 170
6．9 分布式結構數據表 171
6．9．1 Bigtable設計目標 171
6．9．2 Bigtable數據模型 172
6．9．3 Bigtable系統架構 173
6．9．4 Bigtable功能 174
6．9．5 Bigtable主服務器 174
6．9．6 Bigtable組件 175
6．9．7 性能優化 179
第7章 并行計算 181
7．1 并行計算概述 181
7．2 MapReduce基礎 183
7．2．1 編程模型 183
7．2．2 執行過程 184
7．2．3 映射和化簡 185
7．2．4 數據類型 185
7．2．5 Map類和Reduce類 186
7．2．6 Job對象配置 187
7．3 MapReduce模板 188
7．4 MapReduce計算流程 191
7．4．1 作業的提交 191
7．4．2 Map任務的分配 192
7．4．3 Map任務的執行 193
7．4．4 Reduce任務的分配與執行 194
7．5 MapReduce數據流優化 194
7．5．1 MapReduce輸入與輸出 194
7．5．2 流機制 195
7．5．3 管道機制 196
7．5．4 數據流優化 197
7．6 MapReduce數據類型 198
7．6．1 數據內置輸入格式 198
7．6．2 數據定制輸入格式 199
7．6．3 數據定制輸出格式 201
7．7 MapReduce使用算法 203
7．7．1 向量乘法實現 203
7．7．2 內存處理 203
7．7．3 關系運算 204
7．8 參數/數據文件的傳遞與使用 208
7．8．1 傳遞全局作業參數 208
7．8．2 查詢全局MapReduce作業屬性 209
7．8．3 全局數據文件的傳遞 210
第8章 大數據存儲倉庫 212
8．1 數據倉庫 212
8．1．1 RDBMS擴展到HBase 212
8．1．2 列數據庫 213
8．1．3 HBase的特點 215
8．2 HBase數據庫 216
8．2．1 HBase集群架構 216
8．2．2 HBase系統架構 219
8．3 HBase模型 219
8．3．1 邏輯模型 219
8．3．2 物理模型 220
8．4 HBase接口 221
8．4．1 HBase訪問接口 221
8．4．2 shell命令接口 221
8．4．3 HBase Java接口 222
8．5 HBase基本操作 224
8．5．1 HBase存儲格式 225
8．5．2 HBase讀寫流程 225
8．5．3 HBase表操作 226
第9章 分布式鎖 231
9．1 ZooKeeper基本概述 231
9．1．1 ZooKeeper基本原理 231
9．1．2 統一命名服務 235
9．1．3 配置管理 235
9．1．4 集群管理 236
9．1．5 分布式鎖 237
9．1．6 共享鎖(Locks) 238
9．1．7 隊列 238
9．2 ZooKeeper角色 239
9．2．1 系統模型 239
9．2．2 數據模型 240
9．2．3 ZooKeeper的特性 241
9．2．4 ZooKeeper的一致性 242
9．3 ZooKeeper接口與編程 242
9．3．1 ZooKeeper接口 243
9．3．2 ZooKeeper編程實現 244
9．4 性能 246
9．4．1 讀/寫性能測試 246
9．4．2 可靠性測試 246
9．5 ZooKeeper的典型應用 247
9．5．1 數據發布與訂閱應用 248
9．5．2 負載均衡應用 248
9．5．3 分布式通知 249
第10章 數據挖掘 250
10．1 數據挖掘概述 250
10．1．1 數據挖掘起源 251
10．1．2 數據挖掘作用 252
10．1．3 定義數據挖掘 254
10．1．4 哈希函數 255
10．1．5 索引 257
10．1．6 實現數據挖掘步驟 257
10．2 PageRank工具 258
10．2．1 PageRank概述 258
10．2．2 PageRank定義 259
10．2．3 PageRank相關算法 262
10．2．4 影響PageRank的因素 263
10．3 關聯分析 263
10．3．1 關聯分析原理及算法 264
10．3．2 數據關聯推測功能 264
10．3．3 基于用戶行為分析的關聯推薦 264
10．3．4 數據關聯注意問題 266
10．4 聚類分析 266
10．4．1 聚類分析作用 266
10．4．2 聚類的典型要求 267
10．4．3 聚類分析算法 268
10．4．4 在數據挖掘中的應用 269
10．5 分類分析 281
10．5．1 決策樹法 281
10．5．2 神經網絡 283
10．6 異常挖掘 284
10．6．1 異常挖掘概述 284
10．6．2 異常挖掘的方法 285
10．7 特異群組分析 288
10．7．1 特性群級挖掘根源 288
10．7．2 何為特異群組挖掘 289
10．7．3 與聚類、異常挖掘的差異 289
10．8 矩估計 293
10．8．1 二階矩估計的AMS算法 293
10．8．2 高階矩估計 294
10．8．3 無限流的處理 294
10．9 衰減窗口 295
10．9．1 定義衰減窗口 296
10．9．2 網絡流頻繁項集 296
10．10 頻繁項集 297
10．10．1 項集概述 297
10．10．2 A-Priori算法 298
10．10．3 A-Priori算法改進 299
10．10．4 更大數據集處理 300
10．11 數據降維處理 303
10．11．1 相關定義 304
10．11．2 降維算法 305
10．11．3 降維方法 306
第11章 社會中的大數據 314
11．1 普適計算 314
11．1．1 普適計算定義 315
11．1．2 普適計算核心思想 315
11．1．3 普適計算目的 315
11．1．4 普適計算特點 315
11．1．5 普適計算面臨挑戰 315
11．1．6 普適計算應用 316
11．2 數據應用于治國上 318
11．2．1 循“數”管理 318
11．2．2 數據驗證民權 319
11．2．3 數據“打”假 320
11．3 商務智能 321
11．3．1 數據到知識的跨越 322
11．3．2 數據倉庫 323
11．3．3 聯機分析 324
11．3．4 數據挖掘智能產生 326
11．3．5 數據可視化 327
11．4 數據質量法與隱私 328
11．4．1 數據質量法 328
11．4．2 數據隱私 329
11．5 數據運動 331
11．5．1 數據開放 331
11．5．2 數據之爭 333
11．6 數據大趨勢 334
11．6．1 數據權 334
11．6．2 數據大合流 335
11．6．3 互聯網再造 336
11．7 數據大挑戰 338
11．7．1 數據競爭 338
11．7．2 從大數據到社會 340
第12章 云下的大數據應用 342
12．1 云計算如何實現價值 342
12．2 云與大數據 342
12．2．1 大的數據優先級 343
12．2．2 云與大數據 343
12．3 云計算與大數據的強強聯合 343
12．3．1 大數據的企業與技術 344
12．3．2 大數據的經濟意義 344
12．4 大數據時代下的云計算應用部署 345
12．5 云計算在快速消費品行業的應用 345
12．5．1 改變傳統交通管理的路徑 346
12．5．2 在智能交通應用上的優勢 347
12．6 大數據在視頻監控中的應用 348
12．6．1 解決實時視點監控需求 349
12．6．2 大數據處理解決方案 349
12．6．3 實時高效的分布式視頻監控 350
12．7 區域醫療大數據應用案例 350
12．7．1 挑戰 351
12．7．2 海量數據的處理和分析 351
12．7．3 結論 352
12．7．4 價值 352
第1章 云時代 1
1．1 云計算力量 1
1．2 云計算概述 2
1．2．1 云基本特征 3
1．2．2 云計算簡史 4
1．2．3 云計算演化 5
1．2．4 云服務形式 6
1．2．5 云時代誰是主角 10
1．3 云計算的原動力 11
1．3．1 芯片與硬件技術 12
1．3．2 資源虛擬化 12
1．3．3 面向服務架構 13
1．3．4 軟件即服務 13
1．3．5 互聯網技術 14
1．3．6 Web技術 14
1．4 云研究趨勢 14
1．5 云計算技術 16
1．5．1 虛擬化技術 16
1．5．2 數據存儲技術 17
1．5．3 資源管理技術 19
1．5．4 能耗管理技術 20
1．5．5 云監測技術 21
1．6 云優勢分析 23
1．6．1 優化產業布局 23
1．6．2 推進專業分工 24
1．6．3 提升資源利用率 25
1．6．4 降低運營成本 26
1．6．5 產生新創價值 26
1．7 云業務實施 26
1．7．1 基礎設施層 27
1．7．2 平臺層 28
1．7．3 實施應用層 30
1．8 移動云 31
1．8．1 移動云優勢 31
1．8．2 應用案例 31
1．9 云標準 32
1．9．1 云標準定制 32
1．9．2 云標準主要內容 32
1．9．3 云計算潛在需求分析 33
1．9．4 云標準意義 34
1．9．5 云標準發展趨勢 34
1．10 云安全 35
1．10．1 云安全發展趨勢 36
1．10．2 云安全難點問題 36
1．10．3 云安全新增及增強功能 37
1．10．4 云安全存在問題 38
1．11 云計算的九大威脅 39
第2章 大數據時代 41
2．1 什么是大數據 41
2．2 大數據來源 42
2．3 大數據商業價值 43
2．4 打造高能效數據中心 44
2．5 大數據變革 45
2．5．1 變革公共衛生 45
2．5．2 變革商業 46
2．5．3 變革思維 48
2．5．4 開啟重大的時代轉型 48
2．6 大數據的核心 51
2．7 大數據的挑戰 51
2．8 大數據的現狀 53
2．9 大數據推進力 55
2．10 大數據存儲 56
2．11 大數據治理 57
2．12 大數據未來五年路線 58
2．13 大數據的應用 59
第3章 大數據走向云端 63
3．1 時代雙雄 63
3．2 “大數據”走進云端 64
3．3 云計算與大數據的聯系 66
3．3．1 云與大數據的聯系 66
3．3．2 大數據和云計算的不同之處 67
3．4 數據向云計算遷移 67
3．4．1 遷移過程 67
3．4．2 數據的丟失與備份 67
3．4．3 遷移應注意問題 68
3．4．4 管理與監控 68
3．5 云延伸 68
3．5．1 云計算的延伸 69
3．5．2 網絡管理維護優化 69
3．5．3 用戶行為分析 69
3．5．4 個性化推薦 70
3．5．5 數據云服務(DaaS) 70
3．6 云計算與大數據挑戰與機遇并存 70
第4章 云下的大數據工程 72
4．1 信息所需求的新生力量 72
4．1．1 技術因素 72
4．1．2 商業模式因素 73
4．2 信息系統工程 73
4．2．1 云計算基本思想 73
4．2．2 云計算實現 74
4．3 信息系統工程架構轉變 81
4．3．1 豎井式的信息系統 81
4．3．2 逐漸完善的系統需求 83
4．3．3 全新的系統架構 86
4．3．4 新型企業信息系統模塊 87
4．4 商業變革因素 92
4．4．1 零售企業的流程再造 92
4．4．2 IT資源使用新方式 94
4．4．3 整合的新平臺 95
4．4．4 轉型新思路 96
4．4．5 創新的新動力 97
4．5 信息工業革命 97
4．5．1 解放生產力 97
4．5．2 云計算改變信息生活 98
4．5．3 推動社會變革 100
4．6 云計算機遇 102
4．6．1 私有云發展更快 103
4．6．2 數據集中 105
4．6．3 企業的“云”機遇 106
4．6．4 中國“云”企業的機遇挑戰 107
第5章 搭建云計算開發環境 109
5．1 Hadoop環境搭建 109
5．1．1 在Linux下安裝Hadoop 109
5．1．2 Hadoop安裝步驟 110
5．1．3 在Windows下安裝Hadoop 115
5．2 Hadoop的優點 120
5．3 HBase環境搭建 121
5．3．1 HBase的系統框架 121
5．3．2 HBase的模型 123
5．3．3 HBase的安裝配置 126
5．4 ZooKeeper環境搭建 128
5．4．1 ZooKeeper的原理 128
5．4．2 Zookeeper的特點 128
5．4．3 Zookeeper的安裝 129
5．5 MapReduce概述 131
5．5．1 MapReduce實現機制 131
5．5．2 MapReduce執行流程 132
5．5．3 MapReduce映射和化簡 133
5．6 Pig環境搭建 133
5．6．1 Pig概述 133
5．6．2 Pig安裝 134
第6章 分布式文件系統 135
6．1 分布式文件系統概述 135
6．1．1 發展史 135
6．1．2 實現方法 136
6．1．3 研究狀況 136
6．2 分布式文件系統類型 137
6．2．1 網絡文件系統 137
6．2．2 Andrew文件系統 142
6．2．3 分布式文件系統 143
6．3 xFS概述 144
6．3．1 xFS體系結構 144
6．3．2 xFS通信 145
6．3．3 xFS進程 145
6．3．4 xFS緩存 147
6．3．5 xFS容錯性 147
6．3．6 xFS安全性 148
6．3．7 xFS特性 148
6．3．8 xFS性能考慮 149
6．4 DAFS概述 149
6．4．1 DAFS基本原理 150
6．4．2 DAFS設計目的 150
6．4．3 文件訪問方式 151
6．4．4 實現客戶端 151
6．5 GFS概述 152
6．5．1 文件系統架構 153
6．5．2 GFS的特點 154
6．5．3 文件系統的容錯性 155
6．5．4 系統管理技術 155
6．6 GPFS共享文件 156
6．6．1 GPFS概述 156
6．6．2 GPFS特性 158
6．6．3 GPFS的高性能和可擴展性 159
6．7 Lustre并行文件系統 159
6．7．1 Lustre概述 159
6．7．2 Lustre組成部分 161
6．8 分布式鎖服務Chubby 162
6．8．1 Paxos算法 163
6．8．2 Chubby目標設計 164
6．8．3 Chubby中的Paxos 165
6．8．4 Chubby文件系統 167
6．8．5 Chubby通信協議 168
6．8．6 正確性和性能 170
6．9 分布式結構數據表 171
6．9．1 Bigtable設計目標 171
6．9．2 Bigtable數據模型 172
6．9．3 Bigtable系統架構 173
6．9．4 Bigtable功能 174
6．9．5 Bigtable主服務器 174
6．9．6 Bigtable組件 175
6．9．7 性能優化 179
第7章 并行計算 181
7．1 并行計算概述 181
7．2 MapReduce基礎 183
7．2．1 編程模型 183
7．2．2 執行過程 184
7．2．3 映射和化簡 185
7．2．4 數據類型 185
7．2．5 Map類和Reduce類 186
7．2．6 Job對象配置 187
7．3 MapReduce模板 188
7．4 MapReduce計算流程 191
7．4．1 作業的提交 191
7．4．2 Map任務的分配 192
7．4．3 Map任務的執行 193
7．4．4 Reduce任務的分配與執行 194
7．5 MapReduce數據流優化 194
7．5．1 MapReduce輸入與輸出 194
7．5．2 流機制 195
7．5．3 管道機制 196
7．5．4 數據流優化 197
7．6 MapReduce數據類型 198
7．6．1 數據內置輸入格式 198
7．6．2 數據定制輸入格式 199
7．6．3 數據定制輸出格式 201
7．7 MapReduce使用算法 203
7．7．1 向量乘法實現 203
7．7．2 內存處理 203
7．7．3 關系運算 204
7．8 參數/數據文件的傳遞與使用 208
7．8．1 傳遞全局作業參數 208
7．8．2 查詢全局MapReduce作業屬性 209
7．8．3 全局數據文件的傳遞 210
第8章 大數據存儲倉庫 212
8．1 數據倉庫 212
8．1．1 RDBMS擴展到HBase 212
8．1．2 列數據庫 213
8．1．3 HBase的特點 215
8．2 HBase數據庫 216
8．2．1 HBase集群架構 216
8．2．2 HBase系統架構 219
8．3 HBase模型 219
8．3．1 邏輯模型 219
8．3．2 物理模型 220
8．4 HBase接口 221
8．4．1 HBase訪問接口 221
8．4．2 shell命令接口 221
8．4．3 HBase Java接口 222
8．5 HBase基本操作 224
8．5．1 HBase存儲格式 225
8．5．2 HBase讀寫流程 225
8．5．3 HBase表操作 226
第9章 分布式鎖 231
9．1 ZooKeeper基本概述 231
9．1．1 ZooKeeper基本原理 231
9．1．2 統一命名服務 235
9．1．3 配置管理 235
9．1．4 集群管理 236
9．1．5 分布式鎖 237
9．1．6 共享鎖(Locks) 238
9．1．7 隊列 238
9．2 ZooKeeper角色 239
9．2．1 系統模型 239
9．2．2 數據模型 240
9．2．3 ZooKeeper的特性 241
9．2．4 ZooKeeper的一致性 242
9．3 ZooKeeper接口與編程 242
9．3．1 ZooKeeper接口 243
9．3．2 ZooKeeper編程實現 244
9．4 性能 246
9．4．1 讀/寫性能測試 246
9．4．2 可靠性測試 246
9．5 ZooKeeper的典型應用 247
9．5．1 數據發布與訂閱應用 248
9．5．2 負載均衡應用 248
9．5．3 分布式通知 249
第10章 數據挖掘 250
10．1 數據挖掘概述 250
10．1．1 數據挖掘起源 251
10．1．2 數據挖掘作用 252
10．1．3 定義數據挖掘 254
10．1．4 哈希函數 255
10．1．5 索引 257
10．1．6 實現數據挖掘步驟 257
10．2 PageRank工具 258
10．2．1 PageRank概述 258
10．2．2 PageRank定義 259
10．2．3 PageRank相關算法 262
10．2．4 影響PageRank的因素 263
10．3 關聯分析 263
10．3．1 關聯分析原理及算法 264
10．3．2 數據關聯推測功能 264
10．3．3 基于用戶行為分析的關聯推薦 264
10．3．4 數據關聯注意問題 266
10．4 聚類分析 266
10．4．1 聚類分析作用 266
10．4．2 聚類的典型要求 267
10．4．3 聚類分析算法 268
10．4．4 在數據挖掘中的應用 269
10．5 分類分析 281
10．5．1 決策樹法 281
10．5．2 神經網絡 283
10．6 異常挖掘 284
10．6．1 異常挖掘概述 284
10．6．2 異常挖掘的方法 285
10．7 特異群組分析 288
10．7．1 特性群級挖掘根源 288
10．7．2 何為特異群組挖掘 289
10．7．3 與聚類、異常挖掘的差異 289
10．8 矩估計 293
10．8．1 二階矩估計的AMS算法 293
10．8．2 高階矩估計 294
10．8．3 無限流的處理 294
10．9 衰減窗口 295
10．9．1 定義衰減窗口 296
10．9．2 網絡流頻繁項集 296
10．10 頻繁項集 297
10．10．1 項集概述 297
10．10．2 A-Priori算法 298
10．10．3 A-Priori算法改進 299
10．10．4 更大數據集處理 300
10．11 數據降維處理 303
10．11．1 相關定義 304
10．11．2 降維算法 305
10．11．3 降維方法 306
第11章 社會中的大數據 314
11．1 普適計算 314
11．1．1 普適計算定義 315
11．1．2 普適計算核心思想 315
11．1．3 普適計算目的 315
11．1．4 普適計算特點 315
11．1．5 普適計算面臨挑戰 315
11．1．6 普適計算應用 316
11．2 數據應用于治國上 318
11．2．1 循“數”管理 318
11．2．2 數據驗證民權 319
11．2．3 數據“打”假 320
11．3 商務智能 321
11．3．1 數據到知識的跨越 322
11．3．2 數據倉庫 323
11．3．3 聯機分析 324
11．3．4 數據挖掘智能產生 326
11．3．5 數據可視化 327
11．4 數據質量法與隱私 328
11．4．1 數據質量法 328
11．4．2 數據隱私 329
11．5 數據運動 331
11．5．1 數據開放 331
11．5．2 數據之爭 333
11．6 數據大趨勢 334
11．6．1 數據權 334
11．6．2 數據大合流 335
11．6．3 互聯網再造 336
11．7 數據大挑戰 338
11．7．1 數據競爭 338
11．7．2 從大數據到社會 340
第12章 云下的大數據應用 342
12．1 云計算如何實現價值 342
12．2 云與大數據 342
12．2．1 大的數據優先級 343
12．2．2 云與大數據 343
12．3 云計算與大數據的強強聯合 343
12．3．1 大數據的企業與技術 344
12．3．2 大數據的經濟意義 344
12．4 大數據時代下的云計算應用部署 345
12．5 云計算在快速消費品行業的應用 345
12．5．1 改變傳統交通管理的路徑 346
12．5．2 在智能交通應用上的優勢 347
12．6 大數據在視頻監控中的應用 348
12．6．1 解決實時視點監控需求 349
12．6．2 大數據處理解決方案 349
12．6．3 實時高效的分布式視頻監控 350
12．7 區域醫療大數據應用案例 350
12．7．1 挑戰 351
12．7．2 海量數據的處理和分析 351
12．7．3 結論 352
12．7．4 價值 352
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。