【斯坦福大学】《海量数据集挖掘》电子书及相关资源《Mining of Massive Datasets》

这本书由数据库和网络技术的权威撰写，对学生和实践者都是必不可少的读本。Web和Internet商务的普及提供了许多非常大的数据集，可以通过数据挖掘从中收集信息。这本书集中在实用的算法，已被用来解决关键问题的数据挖掘，并可以成功地应用到即使是最大的数据集。它首先讨论MapReduce框架，这是自动并行化算法的一个重要工具。作者解释了对位置敏感的哈希和流处理算法的技巧，这些算法用于挖掘到达速度过快而无法进行详尽处理的数据。其他章节介绍了PageRank的思想和组织Web的相关技巧，发现频繁项目集和集群的问题。这第三版包括新的和扩展的覆盖决策树，深度学习，和挖掘社会网络图。

1. 分布式文件系统和map-reduce作为创建并行算法的工具，可以成功地处理大量数据。

2. 相似度搜索，包括minhashing和localitysensitive hashing的关键技术。3.数据流处理和专门的算法，用于处理快速到达的数据，这些数据必须立即处理，否则就会丢失。

3. 搜索引擎的技术，包括谷歌的PageRank，链接垃圾邮件检测，以及中心和权威的方法。

4. 频繁项集挖掘，包括关联规则、市场篮子、a -先验算法及其改进。

5. 算法聚类非常大，高维数据集。

6. Web应用程序的两个关键问题:管理广告和推荐系统。

7. 用于分析和挖掘非常大的图的结构的算法，特别是社会网络图。

8. 通过降维获得大数据集重要属性的技术，包括奇值分解和潜在语义索引。

9. 机器学习算法，可以应用于非常大的数据，如感知机，支持向量机，梯度下降，和决策树。

10. 神经网络和深度学习，包括最重要的特殊情况:卷积和递归神经网络，以及长短时记忆网络。