大數(shù)據(jù)應用基礎

第1章 大數(shù)據(jù)概論
1．1 大數(shù)據(jù)技術概述
1．1．1 大數(shù)據(jù)的基本概念
1．1．2 IT產業(yè)的發(fā)展簡史
1．1．3 大數(shù)據(jù)的來源
1．1．4 大數(shù)據(jù)產生的三個發(fā)展階段
1．1．5 大數(shù)據(jù)的特點
1．1．6 大數(shù)據(jù)處理流程
1．1．7 大數(shù)據(jù)的數(shù)據(jù)格式特性
1．1．8 大數(shù)據(jù)的特征
1．1．9 大數(shù)據(jù)的應用領域
1．2 大數(shù)據(jù)時代的新理念
1．3 大數(shù)據(jù)的整體技術和關鍵技術
1．4 大數(shù)據(jù)分析的五種典型工具簡介
1．5 大數(shù)據(jù)未來發(fā)展趨勢
1．5．1 數(shù)據(jù)資源化
1．5．2 數(shù)據(jù)科學和數(shù)據(jù)聯(lián)盟的成立
1．5．3 大數(shù)據(jù)隱私和安全問題
1．5．4 開源軟件成為推動大數(shù)據(jù)發(fā)展的動力
1．5．5 大數(shù)據(jù)在多方位改善我們的生活
本章小結
第2章 大數(shù)據(jù)采集及預處理
2．1 大數(shù)據(jù)采集
2．1．1 大數(shù)據(jù)采集概述
2．1．2 大數(shù)據(jù)采集的數(shù)據(jù)來源
2．1．3 大數(shù)據(jù)采集的技術方法
2．2 大數(shù)據(jù)的預處理
2．3 大數(shù)據(jù)采集及預處理的工具
本章小結
第3章 大數(shù)據(jù)分析概論
3．1 大數(shù)據(jù)分析簡介
3．1．1 什么是大數(shù)據(jù)分析
3．1．2 大數(shù)據(jù)分析的基本方法
3．1．3 大數(shù)據(jù)分析處理流程
3．2 大數(shù)據(jù)分析的主要技術
3．2．1 深度學習
3．2．2 知識計算
3．3 大數(shù)據(jù)分析處理系統(tǒng)
3．3．1 批量數(shù)據(jù)及處理系統(tǒng)
3．3．2 流式數(shù)據(jù)及處理系統(tǒng)
3．3．3 交互式數(shù)據(jù)及處理系統(tǒng)
3．3．4 圖數(shù)據(jù)及處理系統(tǒng)
3．4 醫(yī)學大數(shù)據(jù)分析應用
本章小結
第4章 大數(shù)據(jù)可視化
4．1 大數(shù)據(jù)可視化簡介
4．1．1 大數(shù)據(jù)可視化的概念
4．1．2 醫(yī)學大數(shù)據(jù)可視化
4．2 大數(shù)據(jù)可視化工具
4．2．1 大數(shù)據(jù)可視化工具簡介
4．2．2 大數(shù)據(jù)可視化工具實例
本章小結
第5章 Hadoop概論
5．1 Hadoop簡介
5．1．1 Hadoop的起源
5．1．2 Hadoop的特點
5．1．3 Hadoop的發(fā)展
5．2 Hadoop架構與組成
5．2．1 Hadoop架構
5．2．2 Hadoop組成
5．3 Hadoop應用
5．3．1 Hadoop平臺搭建
5．3．2 Hadoop的開發(fā)方式
S．3．3 Hadoop應用分析
本章小結
第6章 HDFS和common概論
6。1HDFS簡介
6．1．1 HDFS的相關概念
6．1．2 HDFS的體系結構
6．1．3 HDFS的工作原理
6．2 HDFS在醫(yī)學領域的應用
613Common簡介
本章小結
第7章 MapReduce概論
7．1 MapRedlice簡介
7．1．1 MapReduce的概念
7．1．2 MapReduce的內涵、特征和局限性
7．2 MapReduce的架構和工作流程
7．2．1 MapReduce的架構
7．2．2 MapReduce的工作流程
7．3 Map和Redlice工作原理
7．4 MapReduce在醫(yī)學領域的應用
本章小結
第8章 NOSQL技術
8．1 NoSQL基礎知識
8．1 NoSQL的產生
8．1．2 NoSQL的特點
8．1．3 NoSQL的技術基礎
8．2 NoSQL的種類
8．2．1 鍵值存儲
8．2．2 列存儲
8．2．3 文檔存儲
8．2．4 圖形存儲
8．3 典型的NoSOL工具
8．3．1 Redis
8．3．2 Bigtable
8．3．3 CouchDB
8．3．4 Neo4j
本章小結
第9章 Spark概論
9．1 Spark概述
9．1．1 Spark簡介
9．1．2 Spark發(fā)展
9．1．3 Scala語言
9．2 Spark與Hadoop
9．2．1 Hadoop的局限與不足
9．2．2 Spark的優(yōu)點
9．2．3 Spark速度比Hadoop快的原因
9．3 Spark的生態(tài)系統(tǒng)
9．3．1 底層的ClusterManager和DataManager
9．3．2 中間層的SparkRuntime
9．3．3 高層的應用模塊
9．4 Sparlk的應用
9．4．1 Spark的應用場景
9．4．2 應用Spark的成功案例
本章小結
第10章 云計算與大數(shù)據(jù)
10．1 云計算簡介
10．1．1 云計算的定義
10．1．2 云計算與大數(shù)據(jù)的關系
10．1．3 云計算服務模式
10．2 云計算核心技術
10．2．1 虛擬化技術
10．2．2 資源池化技術
10．2．3 云計算部署模式
10．3 云計算在醫(yī)學領域的應用
10．3．1 醫(yī)療云
10．3．2 移動醫(yī)療健康服務云
10．3．3 醫(yī)學科研分析服務云
本章小結
第11章 大數(shù)據(jù)解決方案及相關案例
11．1 大數(shù)據(jù)解決方案基礎
11．2 Intel大數(shù)據(jù)
11．2．1 Intel大數(shù)據(jù)解決方案
11．2．2 Intel大數(shù)據(jù)相關案例——中國移動廣東分公司詳單、賬單查詢系統(tǒng)
11．3 百度大數(shù)據(jù)
11．3．1 百度大數(shù)據(jù)引擎
11．3．2 百度數(shù)智平臺
11．3．3 百度指數(shù)
11．4 騰訊大數(shù)據(jù)
11．4．1 騰訊大數(shù)據(jù)解決方案
11．4．2 相關實例——騰訊廣告
本章小結
參考文獻