第1章 緒論
1．1 大數(shù)據(jù)的概念和特征
1．2 大數(shù)據(jù)的發(fā)展趨勢
1．3 大數(shù)據(jù)的應(yīng)用價(jià)值
1．4 數(shù)據(jù)挖掘的產(chǎn)生與功能分析
1．5 大數(shù)據(jù)的處理方法
1．6 本章小結(jié)

第2章 大數(shù)據(jù)處理相關(guān)技術(shù)與研究現(xiàn)狀
2．1 云技術(shù)研究現(xiàn)狀
2．2 大數(shù)據(jù)的分布式和并行計(jì)算研究現(xiàn)狀
2．3 數(shù)據(jù)存儲研究現(xiàn)狀
2．4 大數(shù)據(jù)分析及挖掘研究現(xiàn)狀
2．5 大數(shù)據(jù)處理架構(gòu)Hadoop
2．6 云計(jì)算和大數(shù)據(jù)的智能應(yīng)用分析
2．7 本章小結(jié)

第3章 基于大數(shù)據(jù)的線性分類模型的探索
3．1 線性分類模型的研究方法
3．2 線性分類模型的研究內(nèi)容
3．3 線性判別式的比較分析與優(yōu)化方法研究
3．4 基于線性回歸分析的特征抽取及分類應(yīng)用研究
3．5 本章小結(jié)

第4章 大數(shù)據(jù)的分類分析模型研究
4．1 分類分析的定義
4．2 分類分析的原理和策略方法
4．3 主要分類模型
4．4 分類模型的評估指標(biāo)
4．5 分類分析模型實(shí)例分析
4．6 基于決策樹的分類分析算法的改進(jìn)與應(yīng)用分析
4．7 本章小結(jié)

第5章 基于神經(jīng)網(wǎng)絡(luò)與人工智能的大數(shù)據(jù)分析方法研究
5．1 神經(jīng)網(wǎng)絡(luò)
5．2 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及工作方式
5．3 人工神經(jīng)網(wǎng)絡(luò)與計(jì)算智能的研究內(nèi)容與趨勢
5．4 主要分析方法
5．5 本章小結(jié)

第6章 數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘及相關(guān)算法、
6．1 數(shù)據(jù)關(guān)聯(lián)規(guī)則概念
6．2 數(shù)據(jù)關(guān)聯(lián)規(guī)則相關(guān)算法的研究內(nèi)容
6．3 主要數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘算法
6．4 關(guān)聯(lián)規(guī)則有效性的評估指標(biāo)與策略方法
6．5 本章小結(jié)

第7章 基于Hadoop的分布式算法的設(shè)計(jì)與實(shí)現(xiàn)
7．1 分布式文件訪問與計(jì)算的研究內(nèi)容
7．2 基于Hadoop的分布式算法分析和模型實(shí)現(xiàn)
7．3 基于Hadoop的一種網(wǎng)絡(luò)結(jié)構(gòu)化分布式算法
7．4 一種基于密度的分布式算法
7．5 實(shí)驗(yàn)設(shè)計(jì)與分析
7．6 本章小結(jié)

第8章 大數(shù)據(jù)分析中的聚類算法研究
8．1 大數(shù)據(jù)分析中聚類分析算法的研究現(xiàn)狀
8．2 大數(shù)據(jù)分析中聚類分析算法的研究內(nèi)容
8．3 聚類分析相關(guān)算法
8．4 算法性能評價(jià)指標(biāo)
8．5 大數(shù)據(jù)處理平臺下聚類算法的實(shí)驗(yàn)結(jié)果與分析
8．6 本章小結(jié)

第9章 大數(shù)據(jù)分析算法的并行化研究
9．1 大數(shù)據(jù)分析中并行化研究現(xiàn)狀
9．2 大數(shù)據(jù)分析中并行化算法的研究內(nèi)容
9．3 大數(shù)據(jù)分析中相關(guān)并行化算法
9．4 算法性能評價(jià)指標(biāo)
9．5 基于Map Reduce的大數(shù)據(jù)處理并行算法的優(yōu)化
9．6 大數(shù)據(jù)分析并行化算法應(yīng)用案例分析
9．7 本章小結(jié)

第10章 大數(shù)據(jù)計(jì)算平臺
10．1 數(shù)據(jù)并行計(jì)算框架Spark的研究內(nèi)容
10．2 數(shù)據(jù)并行運(yùn)行時(shí)平臺Hyracks分析
10．3 Storm流計(jì)算系統(tǒng)特征
10．4 本章小結(jié)
參考文獻(xiàn)