大数据与人工智能导论【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

大数据与人工智能导论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 日益增长的数据1

1.1.1 大数据基本概念2

1.1.2 大数据发展历程2

1.1.3 大数据的特征3

1.1.4 大数据的基本认识4

1.2 人工智能4

1.2.1 认识人工智能4

1.2.2 人工智能的现状与应用4

1.2.3 当人工智能遇上大数据5

1.3 大数据与人工智能的机遇与挑战6

1.3.1 大数据与人工智能面临的难题6

1.3.2 大数据与人工智能的前景7

第2章 数据工程8

2.1 数据的多样性8

2.1.1 数据格式的多样性8

2.1.2 数据来源的多样性9

2.1.3 数据用途的多样性9

2.2 数据工程的一般流程10

2.3 数据的获取11

2.3.1 数据来源12

2.3.2 数据采集方法12

2.3.3 大数据采集平台13

2.4 数据的存储与数据仓库14

2.4.1 数据存储14

2.4.2 数据仓库14

2.5 数据的预处理技术15

2.5.1 数据预处理的目的15

2.5.2 数据清理16

2.5.3 数据集成17

2.5.4 数据变换17

2.5.5 数据规约17

2.6 模型的构建与评估18

2.6.1 模型的构建18

2.6.2 评价指标18

2.7 数据的可视化20

2.7.1 可视化的发展20

2.7.2 可视化工具21

第3章 机器学习算法26

3.1 机器学习绪论26

3.1.1 机器学习基本概念26

3.1.2 评价标准27

3.1.3 机器模型的数学基础30

3.2 决策树理论33

3.2.1 决策树模型33

3.2.2 决策树的训练35

3.2.3 本节小结40

3.3 朴素贝叶斯理论40

3.4 线性回归43

3.5 逻辑斯蒂回归46

3.5.1 二分类逻辑回归模型46

3.5.2 二分类逻辑斯蒂回归的训练47

3.5.3 softmax分类器50

3.5.4 逻辑斯蒂回归和softmax的应用50

3.5.5 本节小结51

3.6 支持向量机51

3.6.1 间隔52

3.6.2 支持向量机的原始形式53

3.6.3 支持向量机的对偶形式55

3.6.4 特征空间的隐式映射：核函数56

3.6.5 支持向量机拓展58

3.6.6 支持向量机的应用58

3.7 集成学习58

3.7.1 基础概念58

3.7.2 Boosting61

3.7.3 Bagging63

3.7.4 Stacking64

3.8 神经网络64

3.8.1 生物神经元和人工神经元64

3.8.2 感知机66

3.8.3 BP神经网络67

3.8.4 Sklearn中的神经网络70

3.8.5 本节小结70

3.8.6 拓展阅读70

3.9 聚类70

3.9.1 聚类思想70

3.9.2 性能计算和距离计算71

3.9.3 原型聚类：k-means72

3.9.4 密度聚类：DBSCAN73

3.9.5 层次聚类74

3.9.6 Sklearn中的聚类75

3.9.7 本节小结75

3.9.8 拓展阅读75

3.10 降维与特征选择75

3.10.1 维数爆炸与降维75

3.10.2 降维技术76

3.10.3 特征选择算法78

3.10.4 Sklearn中的降维78

3.10.5 本节小结79

第4章 大数据框架80

4.1 Hadoop简介80

4.1.1 Hadoop的由来80

4.1.2 MapReduce和HDFS81

4.2 Hadoop大数据处理框架82

4.2.1 HDFS组件与运行机制82

4.2.2 MapReduce组件与运行机制85

4.2.3 Yarn框架和运行机制86

4.2.4 Hadoop相关技术87

4.3 Hadoop安装与部署88

4.3.1 安装配置单机版Hadoop88

4.3.2 单机版WordCount程序91

4.3.3 安装配置伪分布式Hadoop92

4.4 MapReduce编程97

4.4.1 MapReduce综述97

4.4.2 Map阶段97

4.4.3 Shuffle阶段98

4.4.4 Reduce阶段99

4.5 HBase、Hive和Pig简介99

4.5.1 HBase简介99

4.5.2 Hive简介100

4.5.3 Pig简介101

4.6 Spark简介101

4.6.1 Spark概述101

4.6.2 Spark基本概念102

4.6.3 Spark生态系统103

4.6.4 Spark组件与运行机制104

4.7 Spark安装使用105

4.7.1 JDK安装105

4.7.2 Scala安装107

4.7.3 Spark安装107

4.7.4 Winutils安装108

4.7.5 使用Spark Shell108

4.7.6 Spark文件目录110

4.8 Spark实例讲解110

第5章 分布式数据挖掘算法112

5.1 K-Means聚类方法112

5.1.1 K-Means聚类算法简介112

5.1.2 K-Means算法的分布式实现112

5.2 朴素贝叶斯分类算法117

5.2.1 朴素贝叶斯分类并行化设计思路117

5.2.2 朴素贝叶斯分类并行化实现117

5.3 频繁项集挖掘算法121

5.3.1 Apriori频繁项集挖掘算法简介121

5.3.2 Apriori频繁项集挖掘的并行化实现122

第6章 深度学习简介127

6.1 从神经网络到深度神经网络127

6.1.1 深度学习应用127

6.1.2 深度神经网络的困难128

6.2 卷积神经网络129

6.2.1 卷积神经网络的生物学基础129

6.2.2 卷积神经网络结构130

6.3 循环神经网络132

6.3.1 循环神经网络简介132

6.3.2 循环神经网络结构133

第7章 数据分析实例135

7.1 基本数据分析135

7.1.1 数据介绍135

7.1.2 数据导入与数据初识135

7.1.3 分类138

7.1.4 回归139

7.1.5 降维140

7.2 深度学习项目实战141

7.2.1 Tensorflow与Keras安装部署141

7.2.2 使用卷积神经网络进行手写数字识别142

7.2.3 使用LSTM进行文本情感分类144

参考文献148

附录A 矩阵基础149

附录B 梯度下降152

附录C 拉格朗日对偶性155

附录D Python语法知识158

附录E Java语法基础介绍170