返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 数据科学与大数据技术导论 (美)奥弗·曼德勒维奇(Ofer Mendelevitch) 等 著;唐金川 译 专业科技
  • 新华书店正版
    • 作者: (美)奥弗·曼德勒维奇(Ofer Mendelevitch) 等 著;唐金川 译著
    • 出版社: 机械工业出版社
    • 出版时间:2018-06-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: (美)奥弗·曼德勒维奇(Ofer Mendelevitch) 等 著;唐金川 译著
    • 出版社:机械工业出版社
    • 出版时间:2018-06-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-06-01
    • 页数:178
    • 开本:16开
    • 装帧:平装
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    数据科学与大数据技术导论

    作  者:(美)奥弗·曼德勒维奇(Ofer Mendelevitch) 等 著;唐金川 译
    定  价:59
    出 版 社:机械工业出版社
    出版日期:2018年06月01日
    页  数:178
    装  帧:平装
    ISBN:9787111600343
    主编推荐

    内容简介

    本书概要介绍了如何使用Hadoop和Spark处理数据科学涉及的一系列主题:数据提取、数据再加工(datamunging,通常包含数据清洗和整合)、特征提取、机器学习、预测建模、异常检测和自然语言处理。整书侧重于具体的例子,并通过不同方式来提供对商业价值的洞察,全书共分三部分,第 一部分包括靠前、2、3章,第二部分包括第4、5、6章,第三部分包括第7、8、9、10、11、12章,后在附录中提供了本书参考材料。

    作者简介

    Ofer Mendelevitch是Lendup公司的数据科学副总裁,领导着Lendup的机器学习和不错分析小组。之前,Ofer是Hortonworks的数据科学总监,负责帮助Hortonworks的客户使用Hadoop和Spark数据科学应用于医疗保健、金融、零售和其他行业。
    Casey Stella是Hortonworks的首席数据科学家,领导着正在孵化开源Apache Metron网络安全项目的分析和数据科学团队。之前,Casey是Explorys医疗信息创业公司的架构师。
    Douglas Eadline是以Linux集群高性能计算(HPC)解决方案的实践者和高性能计算发展编年史撰写者开始职业生涯的。而后他以作家和咨询师的身份在高性能计算和数据分析行业撰写了很多大数据相关的文献。他也是《HadoopFUndamentaIs&nbnull

    精彩内容

    目录
    译者序

    前言
    致谢
    关于作者
    第一部分Hadoop中的数据科学概览
    第1章数据科学概述2
    1.1数据科学究竟是什么2
    1.2示例:搜索广告3
    1.3数据科学史一瞥4
    1.3.1统计学与机器学习4
    1.3.2互联网巨头的创新5
    1.3.3现代企业中的数据科学6
    1.4数据科学家的成长之路6
    1.4.1数据工程师7
    1.4.2应用科学家7
    1.4.3过渡到数据科学家角色8
    1.4.4数据科学家的软技能9
    1.5数据科学团队的组建10
    1.6数据科学项目的生命周期11
    1.6.1问正确的问题11
    1.6.2数据摄取12
    1.6.3数据清洗:注重数据质量12
    1.6.4探索数据和设计模型特征13
    1.6.5构建和调整模型13
    1.6.6部署到生产环境14
    1.7数据科学项目的管理14
    1.8小结15
    第2章数据科学用例16
    2.1大数据—变革的驱动力16
    2.1.1容量:更多可用数据17
    2.1.2多样性:更多数据类型17
    2.1.3速度:快速数据摄取18
    2.2商业用例18
    2.2.1产品推荐18
    2.2.2客户流失分析19
    2.2.3客户细分19
    2.2.4销售线索的优先级20
    2.2.5情感分析20
    2.2.6欺诈检测21
    2.2.7预测维护22
    2.2.8购物篮分析22
    2.2.9预测医学诊断23
    2.2.10预测患者再入院23
    2.2.11检测异常访问24
    2.2.12保险风险分析24
    2.2.13预测油气井生产水平24
    2.3小结25
    第3章Hadoop与数据科学26
    3.1Hadoop 究竟为何物26
    3.1.1分布式文件系统27
    3.1.2资源管理器和调度程序28
    3.1.3分布式数据处理框架29
    3.2Hadoop的演进历史31
    3.3数据科学的Hadoop工具32
    3.3.1Apache Sqoop33
    3.3.2Apache Flume33
    3.3.3Apache Hive34
    3.3.4Apache Pig35
    3.3.5Apache Spark36
    3.3.6R37
    3.3.7Python38
    3.3.8Java机器学习软件包39
    3.4Hadoop为何对数据科学家有用39
    3.4.1成本有效的存储39
    3.4.2读取模式40
    3.4.3非结构化和半结构化数据40
    3.4.4多语言工具41
    3.4.5强大的调度和资源管理功能41
    3.4.6分布式系统抽象分层42
    3.4.7可扩展的模型创建42
    3.4.8模型的可扩展应用43
    3.5小结43
    第二部分用Hadoop准备和可视化数据
    第4章将数据导入Hadoop46
    4.1Hadoop数据湖46
    4.2Hadoop分布式文件系统47
    4.3直接传输文件到 HDFS48
    4.4将数据从文件导入Hive表49
    4.5使用Spark将数据导入Hive表52
    4.5.1使用Spark将CSV文件导入Hive52
    4.5.2使用Spark将JSON文件导入Hive54
    4.6使用Apache Sqoop获取关系数据55
    4.6.1使用Sqoop导入和导出数据55
    4.6.2Apache Sqoop版本更改56
    4.6.3使用Sqoop版本2:基本示例57
    4.7使用Apache Flume获取数据流63
    4.8使用Apache Oozie管理Hadoop工作和数据流67
    4.9Apache Falcon68
    4.10数据摄取的下一步是什么69
    4.11小结70
    第5章使用 Hadoop 进行数据再加工 71
    5.1为什么选择Hadoop做数据再加工72
    5.2数据质量72
    5.2.1什么是数据质量72
    5.2.2处理数据质量问题73
    5.2.3使用Hadoop进行数据质量控制76
    5.3特征矩阵78
    5.3.1选择“正确”的特征78
    5.3.2抽样:选择实例79
    5.3.3生成特征80
    5.3.4文本特征81
    5.3.5时间序列特征84
    5.3.6来自复杂数据类型的特征84
    5.3.7特征操作85
    5.3.8降维86
    5.4小结88
    第6章探索和可视化数据89
    6.1为什么要可视化数据89
    6.1.1示例:可视化网络吞吐量89
    6.1.2想象未曾发生的突破92
    6.2创建可视化93
    6.2.1对比图94
    6.2.2组成图96
    6.2.3分布图98
    6.2.4关系图99
    6.3针对数据科学使用可视化101
    6.4流行的可视化工具101
    6.4.1R101
    6.4.2Python:Matplotlib、Seaborn和其他102
    6.4.3SAS102
    6.4.4Matlab103
    6.4.5Julia103
    6.4.6其他可视化工具103
    6.5使用Hadoop可视化大数据103
    6.6小结104
    第三部分使用Hadoop进行数据建模
    第7章Hadoop与机器学习106
    7.1机器学习概述106
    7.2术语107
    7.3机器学习中的任务类型107
    7.4大数据和机器学习108
    7.5机器学习工具109
    7.6机器学习和人工智能的未来110
    7.7小结110
    第8章预测建模111
    8.1预测建模概述111
    8.2分类与回归112
    8.3评估预测模型113
    8.3.1评估分类器114
    8.3.2评估回归模型116
    8.3.3交叉验证117
    8.4有监督学习算法117
    8.5构建大数据预测模型的解决方案118
    8.5.1模型训练118
    8.5.2批量预测120
    8.5.3实时预测120
    8.6示例:情感分析121
    8.6.1推文数据集121
    8.6.2数据准备122
    8.6.3特征生成122
    8.6.4建立一个分类器125
    8.7小结126
    第9章聚类127
    9.1聚类概述127
    9.2聚类的使用128
    9.3设计相似性度量128
    9.3.1距离函数129
    9.3.2相似函数129
    9.4聚类算法130
    9.5示例:聚类算法131
    9.5.1k均值聚类131
    9.5.2LDA131
    9.6评估聚类和选择集群数量132
    9.7构建大数据集群解决方案133
    9.8示例:使用LDA进行主题建模134
    9.8.1特征生成135
    9.8.2运行 LDA136
    9.9小结137

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购