【电子书】大数据挖掘，Mining of Massive Datasets，附513页PDF

书名： Mining of Massive Datasets

前言

这本书是由Jure Leskovec和Anand Rajaraman几年来为斯坦福大学四分之一课程开发的材料发展而来的。名为《网络挖掘》的CS345A课程被设计成一门高级研究生课程，尽管它已经成为高级本科生的必修课和兴趣所在。当Jure Leskovec加入斯坦福大学时，我们对材料进行了大量的重组。他介绍了一门新的网络分析课程CS224W，并在CS345A中加入了新的材料，重新编号为CS246。三位作者还介绍了一个大型数据挖掘项目课程CS341。这本书现在包含了所有三门课程的内容。

主要内容：

在最高级别的描述中，这本书是关于数据挖掘的。但是，它侧重于对非常大的数据进行数据挖掘，也就是说，数据大到无法装入主内存。由于对大小的强调，我们的许多示例都是关于Web或来自Web的数据的。此外，该书采用了算法的观点:数据挖掘是将算法应用于数据，而不是使用数据来训练某种机器学习引擎。主要议题包括:

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。
4. 搜索引擎的技术，包括谷歌的PageRank，链接垃圾邮件检测，以及hubs-and-authorities的方法。
5. 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。
6. 算法聚类非常大，高维数据集。
7. Web应用程序的两个关键问题:管理广告和推荐系统。
8. 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。
9. 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。
10. 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。