书城首页 › 当代 › 工业 › 大数据导论:原理与技术
当代·工业

大数据导论:原理与技术

正版保障多仓发货48小时内发货2-3天送达可开发票
¥54.43 定价 ¥69.00 7.9折 立省 ¥14.57
仅剩 5 件 全新
商品参数
书名
大数据导论:原理与技术
作者
吴步丹 等 编著
出版社
机械工业出版社
出版时间
2026-11-01
ISBN
9787111819653
货号
1204686154
品相
全新
分类
当代·工业
购物车(0)
商品参数
书名
大数据导论:原理与技术
作者
吴步丹 等 编著
出版社
机械工业出版社
出版时间
2026-11-01
ISBN
9787111819653
货号
1204686154
品相
全新
分类
当代·工业
作者简介▼

吴步丹 北京邮电大学计算机学院(国家示范性软件学院)副教授,任职于网络与交换技术全国重点实验室。2009年于中国科学院获计算机软件与理论博士学位。主要研究方向为大数据与大模型服务方法与技术、大数据智能分析、智能业务流程管理、智能软件工程。近年来,以负责人身份承担了国家自然科学基金青年项目、国家重点实验室重点项目、海事局科研项目、国家电网科技项目等,作为骨干参与国家重点研发计划课题、973课题等。以第一作者或通讯作者身份在AAAI、MM、KAIS、FGCS、《计算机学报》等国内外一流会议和期刊发表论文50余篇,出版教材2部。2018年获中国通信学会科学技术奖一等奖。

金芝 武汉大学教授,特色化软件学院院长,IEEE/CCF/CAAI/AAIA Fellow,曾任北京大学教授。现任中国计算机学会监事长,中国人工智能学会知识工程与分布智能专委会副主任。先后担任973项目首席科学家,国家自然科学基金委青年基金项目(A类)、国家重点研发计划专项以及国家自然科学基金委重点项目的项目负责人。主要研究领域为智能化软件工程,包含知识工程、智能化软件需求工程以及需求驱动的代码生成和演化等。研究成果发表在中国计算机学会A类推荐期刊和会议上,6次获ACM SIGSOFT杰出论文奖。任《软件学报》执行主编,《计算机学报》副主编等。

林荣恒 北京邮电大学计算机学院(国家示范性软件学院)教授,任职于网络与交换技术全国重点实验室。现任中国计算机学会服务计算专业委员会委员,中国人工智能学会高级会员。2010年获北京邮电大学计算机科学与技术博士学位。长期从事行业大数据与人工智能、智能电网、领域大模型等方向的研究。近年来,以负责人身份承担国家重点研发计划课题、北京自然科学基金青年项目、国家电网科技项目等30余项。在国内外重要期刊和会议上发表论文100余篇,出版教材2部。研究成果在多个省级电力公司及电信反诈领域得到应用,获中国电力企业联合会电力科技创新奖一等奖、中国电力科学研究院科技进步奖一等奖。

程渤 北京邮电大学长聘教授,博士生导师,网络与交换技术全国重点实验室网络服务基础研究中心主任。中国计算机学会杰出会员,中国计算机学会服务计算专委会常务委员。主要研究方向为网络服务智能计算和多模态大模型。近年来,以负责人身份承担了国家重点研发计划课题、国家自然科学基金重点/面上/青年项目20余项。以第一作者或通讯作者身份在国际一流期刊IEEE TON、TMC、TPDS、TKDE、TMM和国际会议ICML、ICLR、IJCAI、WWW、AAAI、ASE上发表学术论文100余篇。获得中国人工智能学会吴文俊人工智能科学技术发明一等奖、中国通信学会科学技术发明一等奖、中国指挥与控制学会科学技术进步一等奖、中国计算机学会服务计算杰出青年奖。

目录▼

前言

第1章大数据技术概述1

1.1大数据的时代背景1

1.1.1三次信息化浪潮与人工智能快速发展浪潮1

1.1.2大数据的产生原因2

1.2大数据的定义4

1.2.1大数据的概念4

1.2.2大数据的发展历程4

1.3大数据的价值和作用8

1.3.1大数据决策成为一种新的决策方式8

1.3.2大数据应用促进信息技术与各行业的深度融合9

1.3.3大数据开发推动新技术和新应用的不断涌现9

1.4大数据思维10

1.4.1大数据对科学研究的影响10

1.4.2大数据对思维方式的影响11

1.5大数据的来源12

1.5.1按产生数据的主体划分13

1.5.2按数据来源的行业划分14

1.5.3按数据存储的形式划分14

1.6大数据的特点15

1.6.1数据量大15

1.6.2数据类型繁多16

1.6.3处理速度快16

1.6.4价值密度低16

1.7大数据与其他新兴技术的协同关系17

1.7.1大数据与物联网17

1.7.2大数据与云计算17

1.7.3大数据与区块链18

1.7.4大数据与人工智能18

1.8数据科学与数据科学家19

1.8.1数据科学19

1.8.2数据科学家21

1.9大数据的应用21

1.9.1大数据在金融行业的应用22

1.9.2大数据在医疗行业的应用23

1.9.3大数据在零售行业的应用24

1.9.4大数据在教育行业的应用24

1.9.5大数据在政府部门的应用25

1.9.6大数据在能源行业的应用25

1.9.7大数据在互联网行业的应用25

小结26

思考题26

第2章大数据的分析过程27

2.1数据采集28

2.1.1数据类型28

2.1.2数据采集方法31

2.1.3数据采集工具34

2.2数据清洗35

2.2.1数据清洗方法36

2.2.2数据清洗工具39

2.3数据预处理40

2.3.1噪声处理40

2.3.2数据转换41

2.3.3数据脱敏44

2.3.4数据约简45

2.3.5特征工程47

2.4数据分析49

2.4.1数据探索分析49

2.4.2数据建模分析51

2.5结果评估59

2.5.1分类结果评估60

2.5.2关联规则结果评估61

2.5.3回归结果评估61

2.5.4聚类结果评估62

小结62

思考题63

第3章大数据的存储系统和算力64

3.1传统的数据存储与管理技术64

3.1.1文件系统64

3.1.2关系数据库65

3.1.3ACID原则66

3.1.4数据仓库68

3.1.5并行数据库69

3.2大数据时代的数据存储与管理技术70

3.2.1大数据存储与管理需求70

3.2.2大数据对传统存储管理技术的挑战71

3.2.3NoSQL数据模型71

3.2.4CAP理论72

3.3非关系数据库74

3.3.1键值存储数据库74

3.3.2文档存储数据库75

3.3.3列族存储数据库76

3.3.4图存储数据库76

3.4分布式文件系统77

3.4.1分布式文件系统的基本概念77

3.4.2HDFS78

3.5分布式数据库80

3.5.1分布式数据库的基本概念80

3.5.2HBase81

3.6云数据库83

3.6.1云数据库的基本概念83

3.6.2云数据库的特性84

3.6.3云数据库与其他数据库的关系85

3.6.4代表性的云数据库产品86

3.7大数据算力87

3.7.1算力的定义与核心作用87

3.7.2存储芯片与算力的协同优化88

3.7.3算力驱动的技术趋势与挑战88

小结89

思考题90

第4章大数据分析的数学基础91

4.1概率论与统计学基础91

4.1.1大数据与统计学理论的关系91

4.1.2数据分布特征的统计描述92

4.1.3概率与概率分布99

4.1.4抽样分布100

4.1.5点估计与区间估计101

4.1.6统计推断102

4.2线性代数基础103

4.2.1矩阵及其运算103

4.2.2n维向量109

4.2.3线性方程组110

4.2.4矩阵的特征值与特征向量113

小结115

思考题115

第5章数据挖掘与机器学习116

5.1数据挖掘与机器学习概述116

5.1.1数据挖掘的定义与核心任务116

5.1.2机器学习的基本思想与分类体系117

5.1.3两者的协同关系与应用场景118

5.2监督学习与分类预测118

5.2.1分类任务的基本流程与评估指标119

5.2.2典型算法及其应用场景119

5.2.3特征选择与模型优化策略123

5.3无监督学习与聚类分析124

5.3.1聚类任务的核心目标与评估方法124

5.3.2主要算法与适用场景124

5.3.3降维技术的关联应用127

5.4回归分析与预测建模128

5.4.1回归任务的基本框架与损失函数128

5.4.2典型算法与优化方法129

5.4.3模型评估与残差分析131

5.5关联规则与序列模式挖掘131

5.5.1关联规则的基本概念与度量标准132

5.5.2典型算法132

5.6异常检测与半监督学习134

5.6.1异常检测的核心方法与评估指标134

5.6.2半监督学习的应用场景与实现策略136

5.7深度学习与强化学习的融合137

5.7.1深度学习在数据挖掘中的优势137

5.7.2强化学习的动态决策能力139

5.8实际应用案例与挑战140

5.8.1医疗诊断中的多模态数据融合140

5.8.2金融风控中的实时欺诈检测141

5.8.3智能制造中的预测性维护与质量控制141

小结142

思考题142

第6章大数据编程与计算框架143

6.1计算框架143

6.1.1批处理框架144

6.1.2流式处理框架145

6.1.3交互式处理框架146

6.2MapReduce146

6.2.1MapReduce编程模型的特点147

6.2.2MapReduce的计算模型147

6.2.3MapReduce的资源管理框架148

6.3Hadoop150

6.4Spark152

6.4.1Spark的特点及生态系统153

6.4.2Spark的架构与原理154

6.4.3SparkRDD155

6.5ApacheKafka156

6.5.1Kafka的特点和架构156

6.5.2Kafka的应用场景157

6.6Hive157

6.6.1Hive的特点和架构158

6.6.2Hive的应用场景160

6.7云计算与大数据计算的协同160

6.7.1云计算服务模式对大数据计算框架的支持161

6.7.2云计算优化大数据处理的策略162

6.7.3云环境下的大数据应用案例163

小结163

思考题164

第7章大数据分析工具与编程语言165

7.1统计类工具165

7.1.1SPSS165

7.1.2SAS169

7.2ETL工具171

7.3大数据挖掘工具173

7.3.1Weka174

7.3.2KNIME176

7.3.3RapidMiner178

7.3.4Orange179

7.3.5OracleDataMining181

7.4编程语言182

7.4.1Python182

7.4.2R语言184

小结186

思考题186

第8章大数据的可视化187

8.1数据可视化概述187

8.1.1数据可视化的定义187

8.1.2数据可视化的作用187

8.1.3数据可视化的应用场景189

8.1.4数据可视化术语191

8.2不同类型数据的可视化方法193

8.2.1文本数据的可视化193

8.2.2地理空间数据的可视化194

8.2.3层次和网络数据的可视化194

8.2.4高维非空间数据的可视化195

8.3数据可视化图表196

8.4数据可视化工具204

8.4.1主流可视化软件工具介绍204

8.4.2可视化工具的选择与使用207

小结208

思考题208

第9章大数据的隐私与治理209

9.1大数据的隐私问题209

9.2大数据隐私保护技术210

9.2.1加密技术210

9.2.2匿名化技术212

9.2.3访问控制技术212

9.3大数据的隐私立法213

9.4大数据治理框架215

9.4.1大数据治理目标与原则215

9.4.2大数据治理组织架构与职责划分215

9.4.3大数据治理流程216

9.5元数据和主数据管理218

9.5.1元数据管理218

9.5.2主数据管理220

9.6数据跨境流动治理222

9.6.1数据标准化与资产化222

9.6.2数据跨境流动是大数据治理的基础224

9.6.3数据跨境流动治理机制225

9.7大数据治理应用案例225

小结227

思考题227

第10章大数据与大模型的协同228

10.1大模型的概念228

10.1.1大模型的起源228

10.1.2大模型的定义230

10.1.3大模型的发展趋势232

10.1.4大模型的重要性及应用价值232

10.2大数据与大模型的关系234

10.2.1大数据对大模型的作用234

10.2.2大模型对大数据的使用239

10.2.3案例分析241

10.3大模型的技术基础243

10.3.1Transformer架构与自注意力机制244

10.3.2预训练语言模型246

10.3.3微调技术247

10.3.4训练成本250

10.4大模型与大数据应用251

10.4.1典型大模型252

10.4.2大模型应用案例257

小结262

思考题263

参考文献264

文摘▼

本书共10章,首先以大数据的时代背景为切入点,阐释其技术演进逻辑与社会价值,然后依次介绍大数据的分析过程、存储系统和算力、分析的数学基础、数据挖掘与机器学习、编程与计算框架、分析工具与编程语言、可视化,并以大数据的隐私与治理、大数据与大模型的协同作为结尾。每一章均注重知识体系的递进性与案例分析的实证性,力求通过严谨的学术表达与鲜活的现实案例,帮助读者构建完整的知识图谱。

本书适用于计算机科学与技术、数据科学与大数据技术、信息管理与信息系统、国民经济管理等相关专业的本科生及研究生,也可作为相关技术人员的参考读物。

¥54.43
🛒购物车