本书将理论与应用结合，介绍了大数据技术、大数据分析方法以及大数据伦理规范等基础知识，可供读者入门学习使用。本书共9章，包括大数据概述、数据分析基础、回归分析、聚类算法、推荐算法、文本挖掘、启发式算法、支持向量机和神经网络。各章都附有对应案例和习题，以帮助读者理解和应用。

本书作为大数据公共通识课程的导论教材，为高校学生选修大数据课程编写，主要面向大数据应用型人才培养，也可供相关技术人员参考。

前言

第1章大数据概述

11大数据的相关概念

111大数据的背景与来源

112大数据的概念与特征

113大数据的数据类型

114《“十四五”大数据产业发展规划》与“5V”

12对科学研究和经济社会的影响

121对科学研究的影响

122对经济社会的影响

123大数据技术发展趋势

13大数据的研究现状

14大数据发展的机遇与挑战

141机遇

142挑战

15大数据分析的相关概念

151大数据分析的概念

152大数据分析与传统数据分析的比较

153大数据分析的流程

154大数据分析的基础模型

16大数据的应用

习题

参考文献

第2章数据分析基础

21数据的类型与分布

211总体和样本

212定性数据和定量数据

213截面数据和时间序列数据

22变量之间的关系

221协方差

222相关系数

23数据的可视化——基于Excel的应用

231散点图

232柱形图和折线图

233数据透视表

24数据的输入

241数据的输入方法

242数据有效性

243条件函数IF

244函数VLOOKUP

习题

第3章回归分析

31线性和非线性回归

311线性回归及其Excel中的实现

312最小二乘回归

313非线性回归及其Excel中的实现

32多元回归

321多元回归的概念

322多重共线性

323多元回归及其SPSS中的实现

324居民存款影响因素多元回归案例分析

33岭回归

331岭回归的概念

332岭回归及其在SPSS中的实现

333居民存款影响因素岭回归案例分析

34LASSO回归

341LASSO回归的概念

342LASSO回归及其SPSS中的

实现

343居民存款影响因素LASSO回归案例分析

习题

参考文献

第4章聚类算法

41聚类的原理

42K-Means聚类

421K-Means聚类算法的原理

422K-Means聚类算法在MATLAB中的实现

43K最近邻算法

431K最近邻算法的原理

432K最近邻算法在MATLAB中的实现

433鸢尾花分类案例分析

44模糊C-均值算法

441模糊C-均值算法的原理

442模糊C-均值算法在MATLAB中的实现

443用户需求聚类案例分析

习题

参考文献

第5章推荐算法

51协同过滤推荐算法

511基于用户的协同过滤算法

512基于商品的协同过滤算法

513案例分析1：二手汽车交易平台推荐

514案例分析2：著名电影推荐

52协同过滤算法常见的问题以及对策

521冷启动问题及对策

522稀疏性问题及对策

53基于内容的推荐算法

531基于结构化内容的推荐

532基于非结构化内容的推荐

54基于模型的推荐算法

55基于关联规则的推荐算法

56信息隐私与基于隐私保护的方案推荐方法

561信息隐私

562基于隐私保护的方案推荐方法

57信息污染与信任推荐算法

571信息污染

572信任推荐算法

58信息茧房

习题

参考文献

第6章文本挖掘

61文本挖掘的应用价值

62文本挖掘的流程

621文本挖掘的关键技术

622文档收集方法

623分词技术

624词的表示形式

625文本特征属性处理

63LDA主题模型

631LDA主题模型介绍

632吉布斯采样

633LDA主题模型训练过程

64基于LDA主题模型的客户需求挖掘案例分析

习题

参考文献

第7章启发式算法

71启发式算法的基本原理

711启发式函数

712搜索策略

72启发式算法的类型

721仿动物类启发式算法

722仿植物类启发式算法

73遗传算法及其实现

731遗传算法的原理

732遗传算法的步骤

733遗传算法的计算机实现

74粒子群算法及其实现

741粒子群算法的原理

742粒子群算法的步骤

743粒子群算法的计算机实现

75物流配送中心选址案例分析

习题

参考文献

第8章支持向量机

81支持向量机的原理

811支持向量机的由来

812支持向量机的发展

82支持向量机算法

821支持向量机的模型算法

822支持向量机模型优化算法

823核函数

824支持向量机算法的计算机实现

83支持向量机算法参数优化

831模糊支持向量机

832最小二乘支持向量机

833粒子群算法优化支持向量机

84算法应用及案例分析

习题

参考文献

第9章神经网络

91发展历程

92基础模型

921神经元

922网络结构

93典型神经网络

931反向传播神经网络

932卷积神经网络

933长短期记忆网络

94人工智能的中立性

95信息不公

96应用案例

961卷积用于情感分析

962LSTM用于预测：滑坡位移预测

97数字技术伦理规范

习题

参考文献