編輯推薦:　　現(xiàn)今市面上已經(jīng)有書籍全面地介紹數(shù)據(jù)挖掘的技術(shù)理論基礎(chǔ)，詳細(xì)解析各種挖掘算法的原理和細(xì)節(jié)。同時(shí)，還有書籍專門介紹各種數(shù)據(jù)挖掘算法的實(shí)現(xiàn)和相關(guān)工作的使用。但這些書側(cè)重于介紹單個(gè)數(shù)據(jù)挖掘功能及相關(guān)算法原理，并沒有涉及如何將數(shù)據(jù)挖掘應(yīng)用到具體實(shí)踐，《數(shù)據(jù)挖掘的應(yīng)用與實(shí)踐：大數(shù)據(jù)時(shí)代的案例分析》填補(bǔ)了這個(gè)空白。對(duì)每個(gè)案例都有詳細(xì)的解析，全面介紹了如何將一個(gè)實(shí)際問題抽象和轉(zhuǎn)化為數(shù)據(jù)挖掘的問題，然后利用數(shù)據(jù)挖掘的理論和方法加以解決，讓讀者明白來龍去脈。目的是切實(shí)指導(dǎo)數(shù)據(jù)挖掘的應(yīng)用實(shí)踐，建立起研究和應(yīng)用的橋梁。

內(nèi)容簡(jiǎn)介:　　國(guó)際數(shù)據(jù)挖掘領(lǐng)域知名專家李濤及其帶領(lǐng)團(tuán)隊(duì)近年研究成果的總結(jié)，以實(shí)際的數(shù)據(jù)挖掘工作為基石，架設(shè)起研究和應(yīng)用的橋梁，幫助讀者們從應(yīng)用實(shí)例中學(xué)習(xí)數(shù)據(jù)外挖掘?！稊?shù)據(jù)挖掘的應(yīng)用與實(shí)踐：大數(shù)據(jù)時(shí)代的案例分析》不按理論和技術(shù)來劃分章節(jié)，而是以實(shí)際的應(yīng)用案例來貫穿始終，通過數(shù)據(jù)挖掘應(yīng)用的實(shí)例來介紹如何應(yīng)用和學(xué)習(xí)數(shù)據(jù)挖掘技術(shù)。

作者簡(jiǎn)介:　　李濤，2004年7月在美國(guó)羅徹斯特大學(xué)（University of Rochester） 獲得計(jì)算機(jī)科學(xué)博士學(xué)位， 現(xiàn)為美國(guó)佛羅里達(dá)國(guó)際大學(xué) （Florida International University， FIU）計(jì)算機(jī)學(xué)院終身教授，廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院講座教授。由于在數(shù)據(jù)挖掘及應(yīng)用領(lǐng)域成效顯著的研究工作， 他曾多次獲得各種榮譽(yù)和獎(jiǎng)勵(lì)，其中包括美國(guó)國(guó)家自然科學(xué)基金委頒發(fā)的杰出青年教授獎(jiǎng) （NSF CAREER Award， 2006~2010）和 2010 IBM大規(guī)模數(shù)據(jù)分析創(chuàng)新獎(jiǎng) （Scalable Data Analytics Innovation Award）.  同時(shí)，他還是數(shù)據(jù)挖掘國(guó)際權(quán)威期刊《ACM Transactions on Knowledge Discovery from Data》，《IEEE Transactions on Knowledge and Data Engineering》和 《Knowledge and Information Systems》雜志的副主編。

目錄:第一章數(shù)據(jù)挖掘簡(jiǎn)介

1．1大數(shù)據(jù)時(shí)代的數(shù)據(jù)挖掘

1．1．1數(shù)據(jù)挖掘

1．1．2從數(shù)據(jù)挖掘應(yīng)用的角度看大數(shù)據(jù)

1．2數(shù)據(jù)挖掘技術(shù)發(fā)展和歷史

1．3十大數(shù)據(jù)挖掘算法簡(jiǎn)介

第二章系統(tǒng)日志和事件的挖掘

2．1摘要

2．2系統(tǒng)日志分析的目的

2．2．1系統(tǒng)問題診斷

2．2．2調(diào)試與優(yōu)化

2．2．3系統(tǒng)安全維護(hù)

2．3日志數(shù)據(jù)分析管理系統(tǒng)的架構(gòu)

2．3．1 日志數(shù)據(jù)的收集和預(yù)處理

2．3．2歷史日志數(shù)據(jù)存儲(chǔ)

2．3．3 日志事件數(shù)據(jù)的分析和結(jié)果展示以及使用

2．4系統(tǒng)日志的數(shù)據(jù)形式

2．4．1無結(jié)構(gòu)的日志數(shù)據(jù)

2．4．2結(jié)構(gòu)化與半結(jié)構(gòu)化的日志數(shù)據(jù)

2．4．3非結(jié)構(gòu)化數(shù)據(jù)的轉(zhuǎn)換

2．5基于日志數(shù)據(jù)的異常檢測(cè)

2．5．1基于監(jiān)督學(xué)習(xí)的異常檢測(cè)

2．5．2基于無監(jiān)督學(xué)習(xí)的異常檢測(cè)

2．6系統(tǒng)故障根源跟蹤

2．6．1日志事件的依賴性挖掘

2．6．2基于依賴關(guān)系的系統(tǒng)故障追蹤

2．7日志事件總結(jié)

2．7．1事件總結(jié)算法基本要求及相關(guān)工作

2．7．2基于事件發(fā)生頻率變遷描述的事件總結(jié)

2．7．3基于馬爾科夫模型描述的事件總結(jié)

2．7．4基于事件關(guān)系網(wǎng)絡(luò)描述的事件總結(jié)

2．8本章小結(jié)

2．9中英文術(shù)語對(duì)照表

參考文獻(xiàn)

第三章數(shù)據(jù)挖掘在云計(jì)算中的應(yīng)用

3．1摘要

3．2云計(jì)算背景介紹

3．3數(shù)據(jù)挖掘在云計(jì)算中的應(yīng)用

3．4案例介紹及困難分析：容量規(guī)劃與虛擬機(jī)儲(chǔ)備

3．4．1問題背景

3．4．2問題抽象與描述

3．4．3預(yù)測(cè)結(jié)果評(píng)估

3．4．4預(yù)測(cè)的困難性

3．5案例具體分析及解決

3．5．1預(yù)測(cè)困難性的體現(xiàn)

3．5．2資源預(yù)測(cè)解決方案

3．5．3數(shù)據(jù)預(yù)處理問題

3．5．4預(yù)測(cè)評(píng)估標(biāo)準(zhǔn)選擇

3．5．5集成學(xué)習(xí)策略

3．6案例分析結(jié)果

3．6。l資源請(qǐng)求時(shí)間序列預(yù)測(cè)結(jié)果分析

3．6．2資源銷毀時(shí)間序列預(yù)測(cè)結(jié)果分析

3．6．3虛擬機(jī)儲(chǔ)備時(shí)間序列預(yù)測(cè)結(jié)果分析

3．7本章小結(jié)

3．8附錄：時(shí)間序列分析模型介紹

3．8．1滑動(dòng)窗口平均數(shù)預(yù)測(cè)

3．8．2自回歸預(yù)測(cè)

3．8．3人工神經(jīng)網(wǎng)絡(luò)

3．8．4支持向量回歸機(jī)

3．8．5基因表達(dá)式編程

3．9術(shù)語解釋

參考文獻(xiàn)

第四章惡意軟件智能檢測(cè)

4．1摘要

4．2應(yīng)用背景

4．2．1互聯(lián)網(wǎng)安全現(xiàn)狀

4．2．2“云安全”計(jì)劃

4．2．3數(shù)據(jù)挖掘在惡意軟件智能檢測(cè)中的應(yīng)用

4．3數(shù)據(jù)采集與預(yù)處理

4．3．1惡意軟件的定義

4．3．2惡意軟件的分類及特點(diǎn)

4．3．3惡意軟件的特征表達(dá)

4．4數(shù)據(jù)挖掘的算法與實(shí)現(xiàn)

4．4．1數(shù)據(jù)挖掘的任務(wù)

4．4．2分類學(xué)習(xí)方法在惡意軟件檢測(cè)中的算法與實(shí)現(xiàn)

4．4．3分類集成學(xué)習(xí)在惡意軟件檢測(cè)中的算法與實(shí)現(xiàn)

4．4．4聚類及聚類融合在惡意軟件檢測(cè)中的算法與實(shí)現(xiàn)

4．5系統(tǒng)實(shí)現(xiàn)

4．5．1系統(tǒng)架構(gòu)

4．5．2系統(tǒng)實(shí)際應(yīng)用效果與分析

4．6本章小結(jié)

4．7中英文對(duì)照表

參考文獻(xiàn)

第五章社交媒體挖掘

5．1摘要

5．2社交媒體數(shù)據(jù)挖掘簡(jiǎn)介

5．2．1社交媒體分析的特點(diǎn)綜述

5．2．2社交媒體典型應(yīng)用

5．3社交網(wǎng)絡(luò)數(shù)據(jù)

5．4數(shù)據(jù)挖掘在社交媒體熱點(diǎn)問題上的應(yīng)用

5．4．1社交媒體數(shù)據(jù)挖掘需求

5．4．2信息擴(kuò)散分析（Information Diffusion）

5．4．3鏈接的預(yù)測(cè)（Link Prediction）

5．4．4專家與關(guān)鍵人物的挖掘

5．4．5搜索

5．4．6信任（Trust）

5．4．7社交網(wǎng)絡(luò)的內(nèi)容與情感挖掘

5．5本章小結(jié)

5．6術(shù)語解釋

參考文獻(xiàn)

第六章推薦系統(tǒng)

6．1摘要

6．2個(gè)性化推薦系統(tǒng)概述

6．3推薦技術(shù)

6．3．1基于內(nèi)容的推薦方法

6．3．2基于協(xié)同過濾的推薦方法

6．3．3基于混合過濾的推薦方法

6．3．4小結(jié)

6．4推薦系統(tǒng)評(píng)測(cè)

6．4．1實(shí)驗(yàn)環(huán)境

6．4．2評(píng)測(cè)指標(biāo)

6．4．3小結(jié)

……

第七章智能廣告

第八章災(zāi)難信息管理

第九章文本挖掘

第十章多媒體數(shù)據(jù)挖掘

第十一章空間數(shù)據(jù)挖掘

第十二章生物信息學(xué)和健康醫(yī)療

第十三章數(shù)據(jù)挖掘在建筑業(yè)中的應(yīng)用

第十四章數(shù)據(jù)挖掘在高端制造業(yè)的應(yīng)用

第十五章數(shù)據(jù)挖掘在可持續(xù)發(fā)展的應(yīng)用

參考文獻(xiàn)