内容简介

本书通俗易懂，有高中数学基础即可看懂，同时结合大量案例与漫画，将高度抽象的数学、算法与应用，与现实生活中的案例和事件一一做了关联，将源自生活的抽象还原出来，帮助读者理解后，又带领大家将这些抽象的规律与算法应用于实践，贴合读者需求。同时，本书不是割裂讲解大数据与机器学习的算法和应用，还讲解了其生态环境与关联内容，让读者更全面地知晓渊源与未来，是系统学习大数据与机器学习的不二之选：

·大数据产业解读一一剖析产业情况，人才供需、职业选择与相应“武器”库；

·步入大数据之门一一解读数据、信息、算法，以及与大数据应用的关系；

·大数据基石一一结合大量示例和漫画，趣味讲解大数据算法应掌握的数学知识，无障碍学习；

·大数据算法奥义——信息论、向量空间、回归、聚类、分类等最为核心的算法的释义与应用，举重若轻；

·大数据热门应用——关联分析、用户画像、推荐算法、文本挖掘、人工神经网络等最实用、最需要了解的应用的原理与实现；

·大数据主流框架一一介绍了主流的大数据框架(Hadoop、Spark和Cassandra)；

·系统架构与调优一一从速度与稳定性方面给出调优的一般性“内功心法”；

·大数据价值与变现一一从运营指标、AB测试、大数据价值与变现场景多维度解读。

作品目录

前言

第1章　大数据产业 1

1.1　大数据产业现状 1

1.2　对大数据产业的理解 2

1.3　大数据人才 3

1.3.1　供需失衡 3

1.3.2　人才方向 3

1.3.3　环节和工具 5

1.3.4　门槛障碍 6

1.4　小结 8

第2章　步入数据之门 9

2.1　什么是数据 9

2.2　什么是信息 10

2.3　什么是算法 12

2.4　统计、概率和数据挖掘 13

2.5　什么是商业智能 13

2.6　小结 14

第3章　排列组合与古典概型 15

3.1　排列组合的概念 16

3.1.1　公平的决断——扔硬币 16

3.1.2　非古典概型 17

3.2　排列组合的应用示例 18

3.2.1　双色球彩票 18

3.2.2　购车摇号 20

3.2.3　德州扑克 21

3.3　小结 25

第4章　统计与分布 27

4.1　加和值、平均值和标准差 27

4.1.1　加和值 28

4.1.2　平均值 29

4.1.3　标准差 30

4.2　加权均值 32

4.2.1　混合物定价 32

4.2.2　决策权衡 34

4.3　众数、中位数 35

4.3.1　众数 36

4.3.2　中位数 37

4.4　欧氏距离 37

4.5　曼哈顿距离 39

4.6　同比和环比 41

4.7　抽样 43

4.8　高斯分布 45

4.9　泊松分布 49

4.10　伯努利分布 52

4.11　小结 54

第5章　指标 55

5.1　什么是指标 55

5.2　指标化运营 58

5.2.1　指标的选择 58

5.2.2　指标体系的构建 62

5.3　小结 63

第6章　信息论 64

6.1　信息的定义 64

6.2　信息量 65

6.2.1　信息量的计算 65

6.2.2　信息量的理解 66

6.3　香农公式 68

6.4　熵 70

6.4.1　热力熵 70

6.4.2　信息熵 72

6.5　小结 75

第7章　多维向量空间 76

7.1　向量和维度 76

7.1.1　信息冗余 77

7.1.2　维度 79

7.2　矩阵和矩阵计算 80

7.3　数据立方体 83

7.4　上卷和下钻 85

7.5　小结 86

第8章　回归 87

8.1　线性回归 87

8.2　拟合 88

8.3　残差分析 94

8.4　过拟合 99

8.5　欠拟合 100

8.6　曲线拟合转化为线性拟合 101

8.7　小结 104

第9章　聚类 105

9.1　K-Means算法 106

9.2　有趣模式 109

9.3　孤立点 110

9.4　层次聚类 110

9.5　密度聚类 113

9.6　聚类评估 116

9.6.1　聚类趋势 117

9.6.2　簇数确定 119

9.6.3　测定聚类质量 121

9.7　小结 124

第10章　分类 125

10.1　朴素贝叶斯 126

10.1.1　天气的预测 128

10.1.2　疾病的预测 130

10.1.3　小结 132

10.2　决策树归纳 133

10.2.1　样本收集 135

10.2.2　信息增益 136

10.2.3　连续型变量 137

10.3　随机森林 140

10.4　隐马尔可夫模型 141

10.4.1　维特比算法 144

10.4.2　前向算法 151

10.5　支持向量机SVM 154

10.5.1　年龄和好坏 154

10.5.2　“下刀”不容易 157

10.5.3　距离有多远 158

10.5.4　N维度空间中的距离 159

10.5.5　超平面怎么画 160

10.5.6　分不开怎么办 160

10.5.7　示例 163

10.5.8　小结 164

10.6　遗传算法 164

10.6.1　进化过程 164

10.6.2　算法过程 165

10.6.3　背包问题 165

10.6.4　极大值问题 173

10.7　小结 181

第11章　关联分析 183

11.1　频繁模式和Apriori算法 184

11.1.1　频繁模式 184

11.1.2　支持度和置信度 185

11.1.3　经典的Apriori算法 187

11.1.4　求出所有频繁模式 190

11.2　关联分析与相关性分析 192

11.3　稀有模式和负模式 193

11.4　小结 194

第12章　用户画像 195

12.1　标签 195

12.2　画像的方法 196

12.2.1　结构化标签 196

12.2.2　非结构化标签 198

12.3　利用用户画像 203

12.3.1　割裂型用户画像 203

12.3.2　紧密型用户画像 204

12.3.3　到底“像不像” 204

12.4　小结 205

第13章　推荐算法 206

13.1　推荐思路 206

13.1.1　贝叶斯分类 206

13.1.2　利用搜索记录 207

13.2　User-based CF 209

13.3　Item-based CF 211

13.4　优化问题 215

13.5　小结 217

第14章　文本挖掘 218

14.1　文本挖掘的领域 218

14.2　文本分类 219

14.2.1　Rocchio算法 220

14.2.2　朴素贝叶斯算法 223

14.2.3　K-近邻算法 225

14.2.4　支持向量机SVM算法 226

14.3　小结 227

第15章　人工神经网络 228

15.1　人的神经网络 228

15.1.1　神经网络结构 229

15.1.2　结构模拟 230

15.1.3　训练与工作 231

15.2　FANN库简介 233

15.3　常见的神经网络 235

15.4　BP神经网络 235

15.4.1　结构和原理 236

15.4.2　训练过程 237

15.4.3　过程解释 240

15.4.4　示例 240

15.5　玻尔兹曼机 244

15.5.1　退火模型 244

15.5.2　玻尔兹曼机 245

15.6　卷积神经网络 247

15.6.1　卷积 248

15.6.2　图像识别 249

15.7　深度学习 255

15.8　小结 256

第16章　大数据框架简介 257

16.1　著名的大数据框架 257

16.2　Hadoop框架 258

16.2.1　MapReduce原理 259

16.2.2　安装Hadoop 261

16.2.3　经典的WordCount 264

16.3　Spark 框架 269

16.3.1　安装Spark 270

16.3.2　使用Scala计算WordCount 271

16.4　分布式列存储框架 272

16.5　PrestoDB——神奇的CLI 273

16.5.1　Presto为什么那么快 273

16.5.2　安装Presto 274

16.6　小结 277

第17章　系统架构和调优 278

17.1　速度——资源的配置 278

17.1.1　思路一：逻辑层面的优化 279

17.1.2　思路二：容器层面的优化 279

17.1.3　思路三：存储结构层面的优化 280

17.1.4　思路四：环节层面的优化 280

17.1.5　资源不足 281

17.2　稳定——资源的可用 282

17.2.1　借助云服务 282

17.2.2　锁分散 282

17.2.3　排队 283

17.2.4　谨防“雪崩” 283

17.3　小结 285

第18章　数据解读与数据的价值 286

18.1　运营指标 286

18.1.1　互联网类型公司常用指标 287

18.1.2　注意事项 288

18.2　AB测试 289

18.2.1　网页测试 290

18.2.2　方案测试 290

18.2.3　灰度发布 292

18.2.4　注意事项 293

18.3　数据可视化 295

18.3.1　图表 295

18.3.2　表格 299

18.4　多维度——大数据的灵魂 299

18.4.1　多大算大 299

18.4.2　大数据网络 300

18.4.3　去中心化才能活跃 301

18.4.4　数据会过剩吗 302

18.5　数据变现的场景 303

18.5.1　数据价值的衡量的讨论 303

18.5.2　场景1：征信数据 307

18.5.3　场景2：宏观数据 308

18.5.4　场景3：画像数据 309

18.6　小结 310

附录A　VMware Workstation的安装 311

附录B　CentOS虚拟机的安装方法 314

附录C　Python语言简介 318

附录D　Scikit-learn库简介 323

附录E　FANN for Python安装 324

附录F　群众眼中的大数据 325

写作花絮 327

参考文献 329