数据挖掘的应用与实践 大数据时代的案例分析2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据挖掘的应用与实践 大数据时代的案例分析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

第一章 数据挖掘简介1

1.1 大数据时代的数据挖掘1

1.1.1 数据挖掘1

1.1.2 从数据挖掘应用的角度看大数据3

1.2 数据挖掘技术发展和历史3

1.3 十大数据挖掘算法简介4

第二章 系统日志和事件的挖掘8

2.1 摘要8

2.2 系统日志分析的目的8

2.2.1 系统问题诊断8

2.2.2 调试与优化9

2.2.3 系统安全维护9

2.3 日志数据分析管理系统的架构10

2.3.1 日志数据的收集和预处理11

2.3.2 历史日志数据存储11

2.3.3 日志事件数据的分析和结果展示以及使用11

2.4 系统日志的数据形式11

2.4.1 无结构的日志数据12

2.4.2 结构化与半结构化的日志数据13

2.4.3 非结构化数据的转换14

2.5 基于日志数据的异常检测15

2.5.1 基于监督学习的异常检测15

2.5.2 基于无监督学习的异常检测18

2.6 系统故障根源跟踪21

2.6.1 日志事件的依赖性挖掘22

2.6.2 基于依赖关系的系统故障追踪30

2.7 日志事件总结31

2.7.1 事件总结算法基本要求及相关工作31

2.7.2 基于事件发生频率变迁描述的事件总结32

2.7.3 基于马尔科夫模型描述的事件总结32

2.7.4 基于事件关系网络描述的事件总结33

2.8 本章小结34

2.9 中英文术语对照表34

参考文献35

第三章 数据挖掘在云计算中的应用38

3.1 摘要38

3.2 云计算背景介绍38

3.3 数据挖掘在云计算中的应用39

3.4 案例介绍及困难分析：容量规划与虚拟机储备41

3.4.1 问题背景41

3.4.2 问题抽象与描述42

3.4.3 预测结果评估43

3.4.4 预测的困难性44

3.5 案例具体分析及解决44

3.5.1 预测困难性的体现44

3.5.2 资源预测解决方案46

3.5.3 数据预处理问题47

3.5.4 预测评估标准选择50

3.5.5 集成学习策略52

3.6 案例分析结果53

3.6.1 资源请求时间序列预测结果分析53

3.6.2 资源销毁时间序列预测结果分析54

3.6.3 虚拟机储备时间序列预测结果分析55

3.7 本章小结56

3.8 附录：时间序列分析模型介绍57

3.8.1 滑动窗口平均数预测57

3.8.2 自回归预测57

3.8.3 人工神经网络58

3.8.4 支持向量回归机59

3.8.5 基因表达式编程60

3.9 术语解释61

参考文献63

第四章 恶意软件智能检测65

4.1 摘要65

4.2 应用背景65

4.2.1 互联网安全现状65

4.2.2 “云安全”计划66

4.2.3 数据挖掘在恶意软件智能检测中的应用66

4.3 数据采集与预处理67

4.3.1 恶意软件的定义67

4.3.2 恶意软件的分类及特点67

4.3.3 恶意软件的特征表达68

4.4 数据挖掘的算法与实现73

4.4.1 数据挖掘的任务73

4.4.2 分类学习方法在恶意软件检测中的算法与实现73

4.4.3 分类集成学习在恶意软件检测中的算法与实现79

4.4.4 聚类及聚类融合在恶意软件检测中的算法与实现81

4.5 系统实现87

4.5.1 系统架构87

4.5.2 系统实际应用效果与分析88

4.6 本章小结90

4.7 中英文对照表91

参考文献92

第五章 社交媒体挖掘95

5.1 摘要95

5.2 社交媒体数据挖掘简介95

5.2.1 社交媒体分析的特点综述96

5.2.2 社交媒体典型应用97

5.3 社交网络数据97

5.4 数据挖掘在社交媒体热点问题上的应用98

5.4.1 社交媒体数据挖掘需求99

5.4.2 信息扩散分析（Information Diffusion）99

5.4.3 链接的预测（Link Prediction）102

5.4.4 专家与关键人物的挖掘106

5.4.5 搜索111

5.4.6 信任（Trust）115

5.4.7 社交网络的内容与情感挖掘118

5.5 本章小结118

5.6 术语解释119

参考文献120

第六章 推荐系统123

6.1 摘要123

6.2 个性化推荐系统概述123

6.3 推荐技术125

6.3.1 基于内容的推荐方法127

6.3.2 基于协同过滤的推荐方法130

6.3.3 基于混合过滤的推荐方法133

6.3.4 小结135

6.4 推荐系统评测135

6.4.1 实验环境135

6.4.2 评测指标138

6.4.3 小结142

6.5 推荐系统实例142

6.5.1 新闻推荐142

6.5.2 人才推荐148

6.6 推荐系统前景展望154

6.6.1 多维度推荐155

6.6.2 推荐中的时间动态性156

6.7 本章小结156

6.8 术语解释157

参考文献159

第七章 智能广告163

7.1 摘要163

7.2 引言163

7.3 计算广告产业链介绍164

7.3.1 广告计价模式166

7.3.2 广告竞价模式167

7.4 计算广告系统介绍167

7.4.1 离线分析平台167

7.4.2 实时投放平台169

7.4.3 广告系统评估标准171

7.5 搜索广告171

7.5.1 广告索引173

7.5.2 广告匹配模型174

7.5.3 CTR预测与广告投放175

7.5.4 拍卖策略176

7.6 上下文广告177

7.6.1 广告匹配178

7.6.2 关键字提取180

7.6.3 广告排序模型180

7.7 显示广告181

7.7.1 用户定位182

7.7.2 CTR预测183

7.8 本章小结184

7.9 术语解释184

参考文献186

第八章 灾难信息管理193

8.1 摘要193

8.2 灾难管理的背景和目标193

8.3 灾难管理应用中数据的特点和难点194

8.4 灾难管理工作流程和工具195

8.5 灾难管理数据流和功能模块197

8.5.1 信息抽取（Information Extraction,IE）197

8.5.2 信息检索（Information Retrieval,IR）198

8.5.3 信息过滤（Information Filtering,IF）198

8.5.4 决策支持（Decision Support,DS）199

8.6 数据挖掘在灾难管理中的作用199

8.7 案例分析201

8.7.1 项目背景201

8.7.2 数据资源201

8.7.3 系统目标203

8.7.4 系统实现及功能组件203

8.8 算法分析和评价标准205

8.8.1 定向爬虫（Focused Crawler）205

8.8.2 信息提取（Information Extraction）207

8.8.3 多文档文摘（Multi-Document Summarization）208

8.8.4 动态查询（Dynamic Query Form）208

8.8.5 动态展板（Dynamic Dashboard）209

8.8.6 社区发现（Community Generation）209

8.8.7 推荐（Recommendation）210

8.9 本章小结212

8.10 中英文对照表212

参考文献214

第九章 文本挖掘216

9.1 摘要216

9.2 文本表示（Text Representation）216

9.3 话题挖掘（Topic Mining）218

9.3.1 非负矩阵分解（NMF）218

9.3.2 概率潜在语义分析（PLSA）218

9.3.3 潜在狄利克雷分配模型（LDA）219

9.3.4 分析与实例比较221

9.4 多文档自动文摘222

9.4.1 目标函数选择：句子重要性评价222

9.4.2 优化方法225

9.4.3 其他的自动文摘问题226

9.4.4 实例分析227

9.5 情感分析和摘要229

9.5.1 基于频繁项集（frequent item set）的方法229

9.5.2 实例分析232

9.5.3 基于方面（Aspect-based）的话题模型分析方法233

9.6 剧情摘要237

9.6.1 连点成线方法（Connecting Dots）237

9.6.2 有向施泰纳树扩展支配集方法241

9.6.3 地铁网络模型（Metro Map）244

9.7 本章小结246

9.8 中英文对照表247

参考文献248

第十章 多媒体数据挖掘251

10.1 摘要251

10.2 多媒体基本概念251

10.2.1 数字化251

10.2.2 多样性252

10.2.3 集成性252

10.2.4 交互性252

10.2.5 非线性252

10.2.6 实时性252

10.3 多媒体数据挖掘概述253

10.3.1 背景253

10.3.2 研究及应用现状253

10.4 多媒体数据的特征抽取254

10.4.1 文本特征抽取254

10.4.2 图像特征表示255

10.5 数据挖掘在图像检索中的应用257

10.5.1 应用背景257

10.5.2 数据集描述258

10.5.3 数据挖掘在图像检索中的算法分析259

10.5.4 图像检索案例261

10.6 数据挖掘在多媒体信息融合中的应用266

10.6.1 应用背景266

10.6.2 数据集描述267

10.6.3 数据挖掘在多媒体信息融合中的算法分析268

10.6.4 多媒体信息融合案例269

10.7 本章小结282

10.8 中英文对照表283

参考文献285

第十一章 空间数据挖掘288

11.1 简介288

11.2 空间数据挖掘特点288

11.3 空间位置预测289

11.3.1 自回归模型289

11.3.2 马尔可夫随机场模型290

11.4 空间异常检测290

11.5 空间同位规则挖掘291

11.5.1 参照中心特征模型293

11.5.2 中心窗口模型294

11.5.3 中心事件模型294

11.6 案例分析294

11.6.1 TerryFly GeoCloud系统功能介绍294

11.6.2 实际案例分析297

11.7 空间数据挖掘最新研究方向299

11.7.1 时空数据挖掘301

11.7.2 移动对象数据挖掘与检索302

11.8 本章小结303

11.9 中英文对照表303

参考文献305

第十二章 生物信息学和健康医疗308

12.1 摘要308

12.2 生物学背景知识概述308

12.3 数据挖掘在基因芯片数据处理中的应用310

12.3.1 基因芯片技术概述310

12.3.2 基因芯片的应用概述311

12.3.3 基因表达谱芯片数据的采集与预处理311

12.3.4 数据挖掘应用算法概述312

12.3.5 下一代测序技术315

12.3.6 多源生物数据融合317

12.4 案例分析——基因表达谱数据挖掘在药物毒理研究的应用318

12.4.1 药物毒理研究简介318

12.4.2 数据来源318

12.4.3 数据预处理319

12.4.4 特征选择与识别模式建立319

12.5 数据挖掘在健康数据分析中的应用323

12.5.1 健康数据的异质性323

12.5.2 数据挖掘应用于医疗实践的各个方面324

12.6 本章小结326

12.7 中英文对照表326

参考文献329

第十三章 数据挖掘在建筑业中的应用332

13.1 摘要332

13.2 数据挖掘在建筑业的应用概述332

13.3 数据挖掘在建筑结构损伤识别中的应用334

13.3.1 应用背景334

13.3.2 数据采集与预处理335

13.3.3 数据挖掘应用算法分析336

13.3.4 结构损伤系统实现案例339

13.4 数据挖掘在建筑环境影响评价中的应用345

13.4.1 应用背景345

13.4.2 数据采集与预处理346

13.4.3 数据挖掘方法应用与算法分析348

13.5 本章小结351

13.6 术语解释351

参考文献353

第十四章 数据挖掘在高端制造业的应用355

14.1 摘要355

14.2 引言355

14.2.1 制造业发展355

14.2.2 高端制造业中的数据挖掘356

14.2.3 相关工作357

14.3 从数据挖掘到生产实践359

14.3.1 应用背景359

14.3.2 数据挖掘方法361

14.3.3 制造业数据挖掘平台373

14.4 本章小结375

14.5 中英文对照表375

参考文献377

第十五章 数据挖掘在可持续发展的应用379

15.1 摘要379

15.2 概述379

15.3 可持续发展中的数据挖掘任务379

15.3.1 气象380

15.3.2 生态保护381

15.3.3 农业和土地382

15.3.4 智能电网383

15.4 案例研究384

15.5 可持续计算的数据386

15.6 本章小结388

15.7 术语解释388

参考文献389

第十六章 数据挖掘在专利领域中的应用392

16.1 摘要392

16.2 绪论392

16.3 背景知识394

16.3.1 专利文献的概念及其特点394

16.3.2 专利文献的分类标准395

16.3.3 专利文献的组成部分396

16.4 数据挖掘在专利检索的应用396

16.4.1 现阶段的专利检索系统398

16.4.2 专利检索步骤399

16.4.3 专利检索优化400

16.5 数据挖掘在专利分析的应用403

16.5.1 专利分析的内容、流程与方法403

16.5.2 数据挖掘在专利分析的应用407

16.6 本章小结411

16.7 术语解释412

参考文献414