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)挖掘的技術理論基礎，詳細解析各種挖掘算法的原理和細節(jié)。同時，還有書籍專門介紹各種數(shù)據(jù)挖掘算法的實現(xiàn)和相關工作的使用。但這些書側重于介紹單個數(shù)據(jù)挖掘功能及相關算法原理，并沒有涉及如何將數(shù)據(jù)挖掘應用到具體實踐，《數(shù)據(jù)挖掘的應用與實踐：大數(shù)據(jù)時代的案例分析》填補了這個空白。對每個案例都有詳細的解析，全面介紹了如何將一個實際問題抽象和轉化為數(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。目的是切實指導數(shù)據(jù)挖掘的應用實踐，建立起研究和應用的橋梁。

內容簡介:　　國際數(shù)據(jù)挖掘領域知名專家李濤及其帶領團隊近年研究成果的總結，以實際的數(shù)據(jù)挖掘工作為基石，架設起研究和應用的橋梁，幫助讀者們從應用實例中學習數(shù)據(jù)外挖掘。《數(shù)據(jù)挖掘的應用與實踐：大數(shù)據(jù)時代的案例分析》不按理論和技術來劃分章節(jié)，而是以實際的應用案例來貫穿始終，通過數(shù)據(jù)挖掘應用的實例來介紹如何應用和學習數(shù)據(jù)挖掘技術。

作者簡介:　　李濤，2004年7月在美國羅徹斯特大學（University of Rochester） 獲得計算機科學博士學位， 現(xiàn)為美國佛羅里達國際大學 （Florida International University， FIU）計算機學院終身教授，廈門大學信息科學與技術學院講座教授。由于在數(shù)據(jù)挖掘及應用領域成效顯著的研究工作， 他曾多次獲得各種榮譽和獎勵，其中包括美國國家自然科學基金委頒發(fā)的杰出青年教授獎 （NSF CAREER Award， 2006~2010）和 2010 IBM大規(guī)模數(shù)據(jù)分析創(chuàng)新獎 （Scalable Data Analytics Innovation Award）.  同時，他還是數(shù)據(jù)挖掘國際權威期刊《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)挖掘簡介

1．1大數(shù)據(jù)時代的數(shù)據(jù)挖掘

1．1．1數(shù)據(jù)挖掘

1．1．2從數(shù)據(jù)挖掘應用的角度看大數(shù)據(jù)

1．2數(shù)據(jù)挖掘技術發(fā)展和歷史

1．3十大數(shù)據(jù)挖掘算法簡介

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調試與優(yōu)化

2．2．3系統(tǒng)安全維護

2．3日志數(shù)據(jù)分析管理系統(tǒng)的架構

2．3．1 日志數(shù)據(jù)的收集和預處理

2．3．2歷史日志數(shù)據(jù)存儲

2．3．3 日志事件數(shù)據(jù)的分析和結果展示以及使用

2．4系統(tǒng)日志的數(shù)據(jù)形式

2．4．1無結構的日志數(shù)據(jù)

2．4．2結構化與半結構化的日志數(shù)據(jù)

2．4．3非結構化數(shù)據(jù)的轉換

2．5基于日志數(shù)據(jù)的異常檢測

2．5．1基于監(jiān)督學習的異常檢測

2．5．2基于無監(jiān)督學習的異常檢測

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基于依賴關系的系統(tǒng)故障追蹤

2．7日志事件總結

2．7．1事件總結算法基本要求及相關工作

2．7．2基于事件發(fā)生頻率變遷描述的事件總結

2．7．3基于馬爾科夫模型描述的事件總結

2．7．4基于事件關系網(wǎng)絡描述的事件總結

2．8本章小結

2．9中英文術語對照表

參考文獻

第三章數(shù)據(jù)挖掘在云計算中的應用

3．1摘要

3．2云計算背景介紹

3．3數(shù)據(jù)挖掘在云計算中的應用

3．4案例介紹及困難分析：容量規(guī)劃與虛擬機儲備

3．4．1問題背景

3．4．2問題抽象與描述

3．4．3預測結果評估

3．4．4預測的困難性

3．5案例具體分析及解決

3．5．1預測困難性的體現(xiàn)

3．5．2資源預測解決方案

3．5．3數(shù)據(jù)預處理問題

3．5．4預測評估標準選擇

3．5．5集成學習策略

3．6案例分析結果

3．6。l資源請求時間序列預測結果分析

3．6．2資源銷毀時間序列預測結果分析

3．6．3虛擬機儲備時間序列預測結果分析

3．7本章小結

3．8附錄：時間序列分析模型介紹

3．8．1滑動窗口平均數(shù)預測

3．8．2自回歸預測

3．8．3人工神經(jīng)網(wǎng)絡

3．8．4支持向量回歸機

3．8．5基因表達式編程

3．9術語解釋

參考文獻

第四章惡意軟件智能檢測

4．1摘要

4．2應用背景

4．2．1互聯(lián)網(wǎng)安全現(xiàn)狀

4．2．2“云安全”計劃

4．2．3數(shù)據(jù)挖掘在惡意軟件智能檢測中的應用

4．3數(shù)據(jù)采集與預處理

4．3．1惡意軟件的定義

4．3．2惡意軟件的分類及特點

4．3．3惡意軟件的特征表達

4．4數(shù)據(jù)挖掘的算法與實現(xiàn)

4．4．1數(shù)據(jù)挖掘的任務

4．4．2分類學習方法在惡意軟件檢測中的算法與實現(xiàn)

4．4．3分類集成學習在惡意軟件檢測中的算法與實現(xiàn)

4．4．4聚類及聚類融合在惡意軟件檢測中的算法與實現(xiàn)

4．5系統(tǒng)實現(xiàn)

4．5．1系統(tǒng)架構

4．5．2系統(tǒng)實際應用效果與分析

4．6本章小結

4．7中英文對照表

參考文獻

第五章社交媒體挖掘

5．1摘要

5．2社交媒體數(shù)據(jù)挖掘簡介

5．2．1社交媒體分析的特點綜述

5．2．2社交媒體典型應用

5．3社交網(wǎng)絡數(shù)據(jù)

5．4數(shù)據(jù)挖掘在社交媒體熱點問題上的應用

5．4．1社交媒體數(shù)據(jù)挖掘需求

5．4．2信息擴散分析（Information Diffusion）

5．4．3鏈接的預測（Link Prediction）

5．4．4專家與關鍵人物的挖掘

5．4．5搜索

5．4．6信任（Trust）

5．4．7社交網(wǎng)絡的內容與情感挖掘

5．5本章小結

5．6術語解釋

參考文獻

第六章推薦系統(tǒng)

6．1摘要

6．2個性化推薦系統(tǒng)概述

6．3推薦技術

6．3．1基于內容的推薦方法

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

6．4推薦系統(tǒng)評測

6．4．1實驗環(huán)境

6．4．2評測指標

6．4．3小結

……

第七章智能廣告

第八章災難信息管理

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和健康醫(yī)療

第十三章數(shù)據(jù)挖掘在建筑業(yè)中的應用

第十四章數(shù)據(jù)挖掘在高端制造業(yè)的應用

第十五章數(shù)據(jù)挖掘在可持續(xù)發(fā)展的應用

參考文獻