大數據：互聯網大規模數據挖掘與分布式處理(第2版)

第1章 數據挖掘基本概念
　1.1 數據挖掘的定義
　　1.1.1 統計建模
　　1.1.2 機器學習
　　1.1.3 建模的計算方法
　　1.1.4 數據匯總
　　1.1.5 特征抽取
　1.2 數據挖掘的統計限制
　　1.2.1 整體情報預警
　　1.2.2 邦弗朗尼原理
　　1.2.3 邦弗朗尼原理的一個例子
　　1.2.4 習題
　1.3 相關知識
　　1.3.1 詞語在文檔中的重要性
　　1.3.2 哈希函數
　　1.3.3 索引
　　1.3.4 二級存儲器
　　1.3.5 自然對數的底e
　　1.3.6 冪定律
　　1.3.7 習題
　1.4 本書概要
　1.5 小結
　1.6 參考文獻

第2章 MapReduce及新軟件棧
　2.1 分布式文件系統
　　2.1.1 計算節點的物理結構
　　2.1.2 大規模文件系統的結構
　2.2 MapReduce
　　2.2.1 Map 任務
　　2.2.2 按鍵分組
　　2.2.3 Reduce 任務
　　2.2.4 組合器
　　2.2.5 MapReduce 的執行細節
　　2.2.6 節點失效的處理
　　2.2.7 習題
　2.3 使用MapReduce 的算法
　　2.3.1 基於MapReduce 的矩陣-向量乘法實現
　　2.3.2 向量v 無法放入內存時的處理
　　2.3.3 關系代數運算
　　2.3.4 基於MapReduce 的選擇運算
　　2.3.5 基於MapReduce 的投影運算
　　2.3.6 基於MapReduce 的並、交和差運算
　　2.3.7 基於MapReduce 的自然連接運算
　　2.3.8 基於MapReduce 的分組和聚合運算
　　2.3.9 矩陣乘法
　　2.3.10 基於單步MapReduce 的矩陣乘法
　　2.3.11 習題
　2.4 MapReduce 的擴展
　　2.4.1 工作流系統
　　2.4.2 MapReduce 的遞歸擴展版本
　　2.4.3 Pregel 系統
　　2.4.4 習題
　　2.5 通信開銷模型
　　2.5.1 任務網絡的通信開銷
　　2.5.2 時鍾時間
　　2.5.3 多路連接
　　2.5.4 習題
　2.6 MapReduce 復雜性理論
　　2.6.1 Reducer 規模及復制率
　　2.6.2 一個例子：相似性連接
　　2.6.3 MapReduce 問題的一個圖模型
　　2.6.4 映射模式
　　2.6.5 並非所有輸入都存在時的處理
　　2.6.6 復制率的下界
　　2.6.7 案例分析：矩陣乘法
　　2.6.8 習題
　2.7 小結
　2.8 參考文獻

第3章 相似項發現
　3.1 近鄰搜索的應用
　　3.1.1 集合的Jaccard 相似度
　　3.1.2 文檔的相似度
　　3.1.3 協同過濾--一個集合相似問題
　　3.1.4 習題
　3.2 文檔的shingling
　　3.2.1 k-shingle
　　3.2.2 shingle 大小的選擇
　　3.2.3 對shingle 進行哈希
　　3.2.4 基於詞的shingle
　　3.2.5 習題
　3.3 保持相似度的集合摘要表示
　　3.3.1 集合的矩陣表示
　　3.3.2 最小哈希
　　3.3.3 最小哈希及Jaccard 相似度
　　3.3.4 最小哈希簽名
　　3.3.5 最小哈希簽名的計算
　　3.3.6 習題
　　3.4 文檔的局部敏感哈希算法
　　3.4.1 面向最小哈希簽名的LSH
　　3.4.2 行條化策略的分析
　　3.4.3 上述技術的綜合
　　3.4.4 習題
　3.5 距離測度
　　3.5.1 距離測度的定義
　　3.5.2 歐氏距離
　　3.5.3 Jaccard 距離
　　3.5.4 余弦距離
　　3.5.5 編輯距離
　　3.5.6 海明距離
　　3.5.7 習題
　3.6 局部敏感函數理論
　　3.6.1 局部敏感函數
　　3.6.2 面向Jaccard 距離的局部敏感函數族
　　3.6.3 局部敏感函數族的放大處理
　　3.6.4 習題
　3.7 面向其他距離測度的LSH 函數族
　　3.7.1 面向海明距離的LSH 函數族
　　3.7.2 隨機超平面和余弦距離
　　3.7.3 梗概
　　3.7.4 面向歐氏距離的LSH 函數族
　　3.7.5 面向歐氏空間的更多LSH函數族
　　3.7.6 習題
　3.8 LSH 函數的應用
　　3.8.1 實體關聯
　　3.8.2 一個實體關聯的例子
　　3.8.3 記錄匹配的驗證
　　3.8.4 指紋匹配
　　3.8.5 適用於指紋匹配的LSH函數族
　　3.8.6 相似新聞報道檢測
　　3.8.7 習題
　3.9 面向高相似度的方法
　　3.9.1 相等項發現
　　3.9.2 集合的字符串表示方法
　　3.9.3 基於長度的過濾
　　3.9.4 前綴索引
　　3.9.5 位置信息的使用
　　3.9.6 使用位置和長度信息的索引
　　3.9.7 習題
　3.10 小結
　3.11 參考文獻

第4章 數據流挖掘
　4.1 流數據模型
　　4.1.1 一個數據流管理系統
　　4.1.2 流數據源的例子
　　4.1.3 流查詢
　　4.1.4 流處理中的若干問題
　4.2 流當中的數據抽樣
　　4.2.1 一個富於啟發性的例子
　　4.2.2 代表性樣本的獲取
　　4.2.3 一般的抽樣問題
　　4.2.4 樣本規模的變化
　　4.2.5 習題
　4.3 流過濾
　　4.3.1 一個例子
　　4.3.2 布隆過濾器
　　4.3.3 布隆過濾方法的分析
　　4.3.4 習題
　　4.4 流中獨立元素的數目統計
　　4.4.1 獨立元素計數問題
　　4.4.2 FM 算法
　　4.4.3 組合估計
　　4.4.4 空間需求
　　4.4.5 習題
　4.5 矩估計
　　4.5.1 矩定義
　　4.5.2 二階矩估計的AMS 算法
　　4.5.3 AMS 算法有效的原因
　　4.5.4 更高階矩的估計
　　4.5.5 無限流的處理
　　4.5.6 習題
　4.6 窗口內的計數問題
　　4.6.1 精確計數的開銷
　　4.6.2 DGIM 算法
　　4.6.3 DGIM 算法的存儲需求
　　4.6.4 DGIM 算法中的查詢應答
　　4.6.5 DGIM 條件的保持
　　4.6.6 降低錯誤率
　　4.6.7 窗口內計數問題的擴展
　　4.6.8 習題
　4.7 衰減窗口
　　4.7.1 最常見元素問題
　　4.7.2 衰減窗口的定義
　　4.7.3 最流行元素的發現
　4.8 小結
　4.9 參考文獻

第5章 鏈接分析
　5.1 PageRank
　　5.1.1 早期的搜索引擎及詞項作弊
　　5.1.2 PageRank 的定義
　　5.1.3 Web 結構
　　5.1.4 避免終止點
　　5.1.5 采集器陷阱及”抽稅”法
　　5.1.6 PageRank 在搜索引擎中的使用
　　5.1.7 習題
　5.2 PageRank 的快速計算
　　5.2.1 轉移矩陣的表示
　　5.2.2 基於MapReduce 的PageRank迭代計算
　　5.2.3 結果向量合並時的組合器使用
　　5.2.4 轉移矩陣中塊的表示
　　5.2.5 其他高效的PageRank 迭代方法
　　5.2.6 習題
　5.3 面向主題的PageRank
　　5.3.1 動機
　　5.3.2 有偏

　……
第6章 頻繁項集
第7章 聚類
第8章 web廣告
第9章 推薦系統
第10章 社會網絡圖挖掘
第11章 降維處理
第12章 大規模機器學習