轻松学大数据挖掘：算法、场景与数据产品

9.3.5 结尾

9.3.4 把握面试

9.3.3 投好简历

9.3.2 筹备能力

9.3.1 诚信与包装

9.3 给想要进入数据挖掘圈子的新人一点建议

9.2.3 个人指标体系（大数据挖掘）

9.2.2 综合能力评估

9.2.1 度量的初衷

9.2 数据挖掘从业者综合能力评估

9.1 如何从0到1转型到大数据圈子

第9章 大数据挖掘践行篇

8.4 “羊毛党”监控的实践分享

8.3.2 数据如何“食用”

8.3.1 监控的目的

8.3 “羊毛党 ”监控的数据驱动

8.2.5 设备指纹生成算法

8.2.4 移动端的数据持久化

8.2.3 应用场景

8.2.2 底层参数

8.2.1 何为设备指纹

8.2 “羊毛党”监控的设备指纹

8.1.5“羊毛党”监控平台的意义

8.1.4“羊毛党”存在的利与弊

8.1.3“羊毛党”的进化

8.1.2“羊毛”存在的必然性

8.1.1“羊毛党”的定义与特点

8.1 “羊毛党”监控的业务

第8章 反欺诈实践篇

7.5.3 技术难点

7.5.2 营销构思

7.5.1 业务营销

7.5 用户画像的智能营销

7.4.2 模块化功能的设计

7.4.1 对于开发框架的选择

7.4 用户画像的工程开发

7.3.2 用户画像与模块化思维

7.3.1 何为模块化思维

7.3 用户画像的模块化思维

7.2.2 标签的构建

7.2.1 需求分析

7.2 用户画像的标签体系

7.1.2 需求调研

7.1.1 背景描述

7.1 用户画像的应用场景

第7章 用户画像实践

6.5.2 利用Python实现层次分析法

6.5.1 工程能力的重要性

6.5 工程能力的培养与实践

6.4 层次分析算法

6.3.3 常用的预测模型

6.3.2 构建模型的前期工作

6.3.1 业务场景的介绍

6.3 预测响应算法

6.2.4 算法逻辑的抽象

6.2.3 业务场景的介绍

6.2.2 熵值法的实现过程

6.2.1 何为信息熵

6.2 熵值法

6.1.4 采用Spark实现模型

6.1.3 时间衰变算法的抽象

6.1.2 如何理解兴趣和偏好

6.1.1 何为时间衰变

6.1 时间衰变算法

第6章 大数据挖掘算法篇

5.3.2 想做一个好的模型

5.3.1 业务模型是何物

5.3 数据挖掘中的工具包

5.2.3 实践中的数据清洗

5.2.2 大数据的必杀技

5.2.1 数据清洗的那些事

5.2 数据挖掘中的数据清洗

5.1 理论与实践的差异

第5章 大数据挖掘认知篇

4.3.4 如何动手实现朴素贝叶斯算法

4.3.3 如何理解“朴素”二字

4.3.2 创作第一个数据挖掘算法

4.3.1 知晓Spark On Yarn的运作模式

4.3 动手实现算法工程

4.2 搭建大数据挖掘开发环境

4.1.5 选择合适的工具

4.1.4 它们之间的灵活转换

4.1.3 编程的差异性

4.1.2 知晓Spark的特点

4.1.1 初识Hadoop生态系统

4.1 MapReduce和Spark做大数据挖掘的差异

第4章 大数据挖掘基础篇

3.5.3 往HBase中存储数据

3.5.2 从HBase中获取数据

3.5.1 知晓相关依赖包

3.5 数据挖掘中的HBase技巧

3.4.3 必知的HQL知识

3.4.2 用Python执行HQL命令

3.4.1 面试心得

3.4 数据挖掘中的Hive技巧

3.3.2 不同场景下的矩阵相乘

3.3.1 矩阵的概念

3.3 利用MapReduce中的矩阵相乘

3.2.3 简单的案例

3.2.2 MapReduce的代码规范

3.2.1 学习MapReduce编程的目的

3.2 数据挖掘中的MapReduce编程

3.1.3 部署Hadoop伪分布式环境

3.1.2 部署Java环境

3.1.1 部署CentOS环境

3.1 Hadoop伪分布式的安装配置

第3章 大数据工具篇

2.5.2 Python其他知识点

2.5.1 关于Python

2.5 Python学习总结

2.4.3 开发流程

2.4.2 构建思路

2.4.1 构建的初衷

2.4 用Python搭建数据分析体系

2.3 快速掌握Python的基本语法

2.2.4 配置IPython Notebook远程调用

2.2.3 IPython.exe Notebook的使用说明

2.2.2 搭建IPython Notebook

2.2.1 学习Python的初衷

2.2 在Windows 7操作系统上搭建IPython Notebook

2.1.4 常用的SQL语法（下篇）

2.1.3 常用的SQL语法（上篇）

2.1.2 学会部署环境

2.1.1 初识SQL

2.1 快速掌握SQL的基础语法

第2章 数据入门

1.4.4 结尾

1.4.3 健康的数据生态

1.4.2 数据生态问题

1.4.1 数据没有寒冬

1.4 成为DT时代的先驱者

1.3 大数据时代的我们

1.2.2 对数据情怀的理解

1.2.1 数据情怀这股劲

1.2 数据情怀

1.1 数据之禅

第1章 数据情怀篇

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 数据情怀篇

1.1 数据之禅

1.2 数据情怀

1.2.1 数据情怀这股劲

1.2.2 对数据情怀的理解

1.3 大数据时代的我们

1.4 成为DT时代的先驱者

1.4.1 数据没有寒冬

1.4.2 数据生态问题

1.4.3 健康的数据生态

1.4.4 结尾

第2章 数据入门

2.1 快速掌握SQL的基础语法

2.1.1 初识SQL

2.1.2 学会部署环境

2.1.3 常用的SQL语法（上篇）

2.1.4 常用的SQL语法（下篇）

2.2 在Windows 7操作系统上搭建IPython Notebook

2.2.1 学习Python的初衷

2.2.2 搭建IPython Notebook

2.2.3 IPython.exe Notebook的使用说明

2.2.4 配置IPython Notebook远程调用

2.3 快速掌握Python的基本语法

2.4 用Python搭建数据分析体系

2.4.1 构建的初衷

2.4.2 构建思路

2.4.3 开发流程

2.5 Python学习总结

2.5.1 关于Python

2.5.2 Python其他知识点

第3章 大数据工具篇

3.1 Hadoop伪分布式的安装配置

3.1.1 部署CentOS环境

3.1.2 部署Java环境

3.1.3 部署Hadoop伪分布式环境

3.2 数据挖掘中的MapReduce编程

3.2.1 学习MapReduce编程的目的

3.2.2 MapReduce的代码规范

3.2.3 简单的案例

3.3 利用MapReduce中的矩阵相乘

3.3.1 矩阵的概念

3.3.2 不同场景下的矩阵相乘

3.4 数据挖掘中的Hive技巧

3.4.1 面试心得

3.4.2 用Python执行HQL命令

3.4.3 必知的HQL知识

3.5 数据挖掘中的HBase技巧

3.5.1 知晓相关依赖包

3.5.2 从HBase中获取数据

3.5.3 往HBase中存储数据

第4章 大数据挖掘基础篇

4.1 MapReduce和Spark做大数据挖掘的差异

4.1.1 初识Hadoop生态系统

4.1.2 知晓Spark的特点

4.1.3 编程的差异性

4.1.4 它们之间的灵活转换

4.1.5 选择合适的工具

4.2 搭建大数据挖掘开发环境

4.3 动手实现算法工程

4.3.1 知晓Spark On Yarn的运作模式

4.3.2 创作第一个数据挖掘算法

4.3.3 如何理解“朴素”二字

4.3.4 如何动手实现朴素贝叶斯算法

第5章 大数据挖掘认知篇

5.1 理论与实践的差异

5.2 数据挖掘中的数据清洗

5.2.1 数据清洗的那些事

5.2.2 大数据的必杀技

5.2.3 实践中的数据清洗

5.3 数据挖掘中的工具包

5.3.1 业务模型是何物

5.3.2 想做一个好的模型

第6章 大数据挖掘算法篇

6.1 时间衰变算法

6.1.1 何为时间衰变

6.1.2 如何理解兴趣和偏好

6.1.3 时间衰变算法的抽象

6.1.4 采用Spark实现模型

6.2 熵值法

6.2.1 何为信息熵

6.2.2 熵值法的实现过程

6.2.3 业务场景的介绍

6.2.4 算法逻辑的抽象

6.3 预测响应算法

6.3.1 业务场景的介绍

6.3.2 构建模型的前期工作

6.3.3 常用的预测模型

6.4 层次分析算法

6.5 工程能力的培养与实践

6.5.1 工程能力的重要性

6.5.2 利用Python实现层次分析法

第7章 用户画像实践

7.1 用户画像的应用场景

7.1.1 背景描述

7.1.2 需求调研

7.2 用户画像的标签体系

7.2.1 需求分析

7.2.2 标签的构建

7.3 用户画像的模块化思维

7.3.1 何为模块化思维

7.3.2 用户画像与模块化思维

7.4 用户画像的工程开发

7.4.1 对于开发框架的选择

7.4.2 模块化功能的设计

7.5 用户画像的智能营销

7.5.1 业务营销

7.5.2 营销构思

7.5.3 技术难点

第8章 反欺诈实践篇

8.1 “羊毛党”监控的业务

8.1.1“羊毛党”的定义与特点

8.1.2“羊毛”存在的必然性

8.1.3“羊毛党”的进化

8.1.4“羊毛党”存在的利与弊

8.1.5“羊毛党”监控平台的意义

8.2 “羊毛党”监控的设备指纹

8.2.1 何为设备指纹

8.2.2 底层参数

8.2.3 应用场景

8.2.4 移动端的数据持久化

8.2.5 设备指纹生成算法

8.3 “羊毛党 ”监控的数据驱动

8.3.1 监控的目的

8.3.2 数据如何“食用”

8.4 “羊毛党”监控的实践分享

第9章 大数据挖掘践行篇

9.1 如何从0到1转型到大数据圈子

9.2 数据挖掘从业者综合能力评估

9.2.1 度量的初衷

9.2.2 综合能力评估

9.2.3 个人指标体系（大数据挖掘）

9.3 给想要进入数据挖掘圈子的新人一点建议

9.3.1 诚信与包装

9.3.2 筹备能力

9.3.3 投好简历

9.3.4 把握面试

9.3.5 结尾