本书分为部分，分别为大数据基础理论分析、基于海量语意规则的大数据流处理技术及大数据应用。 部分介绍大数据领域的主要基础理论，包括大数据基本概念、可编程数据中心、云文件系统、云数据库系统、大数据并行编程与分析模型、大数据智能计算算法、基于大数据的数据仓库技术、大数据安全与隐私保护，以及基于大数据的语意软件工程方法等。 第二部分介绍基于海量语意规则的大数据流处理技术，包括基于规则的大数据流处理介绍、语意规则描述模型、海量语意规则网及优化、海量语意规则处理算法及海量语意规则并行处理等。 第三部分主要介绍大数据的一些典型应用，包括：文化大数据、医疗健康大数据、互联网金融大数据、教育大数据、电子商务大数据、互联网大数据、能源大数据、交通大数据、宏观经济大数据、进出口食品安全监管大数据、基

本书根据高等院校培养综合型交叉学科本科人才的发展目标编写，介绍空间数据分析的原理与方法。全书共分17章，主要内容包括绪论、空间数据的性质、空间数据的完备化、空间数据的标准化、探索性空间数据分析、空间点模式分析、地统计数据插值、格数据统计、格数据回归分析、空间回归分析、面状数据空间模式分析、空间连续数据分析方法、非参数统计、空间抽样方法、空间度量算法、空间分析算法和空间统计分析算法。 本书可作为地理信息系统、计算机科学与技术、遥感科学与技术、测绘工程、地理科学等相关专业学生的教科书，同时也适合于从事空间数据分析、地理信息系统应用的人员参考。

本书以大数据为研究背景，系统分析了传统数据技术当前存在的问题以及面临的挑战，并对比了当前主流的面向大数据的数据库解决方案，在此基础上阐述了笔者的研究工作：基于MapReduce平台高处处理大数据的OLAP研究。书中反应了当前大规模数据仓库研究的热点和成果，值得大数据研究的人员参考和应用。

本书以面向应用、面向实战为指导思想，紧扣企业技术人才培养的特点，在知识点讲解和实验中避免复杂的理论，使读者能快速上手体验、验证大数据处理的魅力，以激发读者的学习兴趣。 本书覆盖了大数据生命周期中的主要技术要点，全书共8章，第1章介绍大数据的产生和特点及思维的变革，第2章了解大数据生态系统，第3～7章按照大数据的生命周期，分别讨论大数据采集与预处理、大数据管理、大数据分析、大数据可视化、大数据应用的基本原理和方法，第8章讨论大数据安全面临的挑战。 本书可作为本科、高职院校大数据技术或数据科学课程的参考书或教材，也可供数据科学相关技术人员阅读。

本书针对计算机、信息管理和其他相关专业学生的发展需求，系统、全面地介绍了大数据技术与应用的基本知识和技能，详细介绍了大数据基础、大数据的行业应用、大数据的基础设施、大数据技术基础、Hadoop分布式架构、大数据管理、大数据分析、人工智能与机器学习、数据科学与数据科学家、开放数据的时代，以及大数据发展与展望等内容，具有较强的系统性、可读性和实用性。本书是为高等院校 大数据 相关课程全新设计编写、具有丰富实践特色的主教材，也可供有一定实践经验的软件开发人员和管理人员参考，或作为继续教育的教材。 本书配套授课电子课件，需要的教师可登录www.cmpedu.com免费注册、审核通过后下载，或联系编辑索取（微信：15910938545，QQ：2850823885，email：2308140194@qq.com，电话：010-88379739）另外，为方便任课教师进行交流，提供本科计算机

本教程中预备知识，介绍项目中实验环境、程序组织方式和管理方法，讲解程序及算法的效率估算方法和分析技巧，描述一般测试技术和调试方法，以及测试数据与测试用例的设计安排技巧；基础实验，首先安排重要的验证性实验，然后设计基于基本数据结构的简单应用实验；综合实验(即课程设计)，介绍在一个项目中选择和使用多种基本数据结构的依据和方法，讲解如何有效地将它们融合在一起解决实际的复杂应用问题。 本教程在内容选取及编排顺序上，与严蔚敏老师编著的《数据结构(C 语言版)》(978-7-302-14751-0，清华大学出版社出版)保持一致，可作为高等院校计算机及相关专业数据结构课程的实验教材。

本书在介绍大数据发展背景、特点及主要技术层面的基础上，对大数据的数据采集、数据存储、常见计算模式和典型系统工具进行了分析介绍。本书同时对各种典型系统工具进行了讲解，包括大数据查询分析计算及典型工具（HBase、Hive）、批处理计算及典型工具（MapReduce、Spark）、流式计算及典型工具（Storm、Apex、Flink）、事件流及典型工具（Druid）等。本书提供了大量的实例和源代码供读者参考，指导读者快速、无障碍地了解和掌握常见大数据分析工具的使用。本书适合作为计算机及相关专业的教学用书，也可以作为大数据初学者的自学教材和参考手册。

本书按照简明、易读、突出实用的原则编写，书中所选案例均来自企业PDM项目实际，并在Siemens PLM Software Teamcenter 10平台上加以实现，同时由编者反复论证，全书图文并茂，并配以详尽准确的讲解步骤，使读者能够快速理解并掌握本书案例中所阐述的PDM实施方法和技巧。另外，本书每章都附有相应的练习题，供读者进行练习。读者通过学习本书，可以由浅入深、循序渐进地理解PDM的基本知识和原理，掌握企业PDM实施技能，逐步具有借助PDM平台提高企业研发核心能力，提升产品质量的工程素养。

全书结构分为五个篇章。第一篇介绍了数据挖掘方法。第二篇是银行数据挖掘篇，介绍了基于神经网络和支持向量机的信用评分方法。第三篇是证券数据挖掘篇，探讨了基于多种数据挖掘方法的股票价格预测、金融市场价格预测及股票自动交易系统。第四篇是保险及其他数据挖掘篇，研究了基于数据挖掘的保险欺诈监测、企业破产预测、财务报表欺诈监测等问题。第五篇从大数据的视角对金融数据挖掘进行了扩展和展望。

本书以SQL Server分析服务为环境介绍数据仓库和数据挖掘应用技术，包括数据仓库和数据挖掘概述、OLAP和多维数据模型、数据仓库设计和SQL Server数据仓库开发实例、关联分析算法、决策树分类算法、贝叶斯分类算法、神经网络算法、回归分析算法、时间序列分析和聚类算法。本书内容翔实，循序渐进地介绍各个知识点，并提供全面而丰富的教学资源，可作为各类高等院校计算机及相关专业 数据仓库和数据挖掘应用技术 和 SQL Server高级应用 课程的教学用书，也适合计算机应用人员和计算机爱好者参考。

本书全面深入地介绍了数据仓库、联机分析处理和数据挖掘的基本概念、基本方法和应用技术。全书分成三篇：数据仓库与OLAP篇的主要内容包括：数据仓库的基本概念、体系结构、模型设计、开发方法、ETL、元数据和数据集市，OLAP的基本概念、基本操作、数据模型和OLAP的实现及准则；数据挖掘与空间数据挖掘篇的主要内容包括关联分析方法、聚类分析技术、分类与预测方法、异常检测算法以及空间数据挖掘技术等；工具与实例篇介绍了数据挖掘工具及可视化、Cognos公司的BI主要产品和企业数据仓库系统构建。 本书可作为高等院校计算机软件与应用、信息科学等专业的学生学习数据仓库、OLAP及数据挖掘技术的实用教程或参考书，也可供从事数据仓库、数据挖掘研究、设计、开发等工作的科研、工程人员参考。

本书是中国人民大学出版社出版的教材《统计数据分析基础教程（第二版）——基于SPSS 20和Excel 2010的调查数据分析》的配套辅导书。 由于本次修订对教材内容进行了更加适当的筛选，同时对例题和上机实验题进行了大幅更新，于是本同步配套辅导书也做了相应的修订。 本书以习题和上机实验指导的方式给出了教材中“思考题与上机实验题”的解答，以便帮助读者消化教材内容。本书包含10章的上机实验指导共32个。包括:*抽样、调查问卷制作、问卷数据的录入与清理、单选题的一维频率分析、两个单选题的交叉表分析、多选题的一维频率分析和交叉表分析、描述统计分析、假设检验、单因素方差分析、线性相关分 析与线性回归分析等。 本书可作为各级各类高等院校本科生统计数据分析的入门书，也可以作为MBA学生、研究生以及从事统计数据分析工作的人士

本书讲解了数据统计分析的概念、数据的相关性分析与回归分析、信度与效度的检验等内容。与同类书相比，本书比较注重对各种统计分析方法适应范畴的讲解，还非常注重对各统计分析方法的输出结果进行讲解，对输出表格内相关数据项之间的关系及其边界值进行了重点说明。

本书着力于介绍数据挖掘基础知识、基本原理、常用算法，主要内容包括数据挖掘概述、数据的描述与可视化、数据的采集和预处理、数据的归约、关联规则挖掘、分类与预测、 非线性预测模型、聚类分析、深度学习简介、使用 Weka 进行数据挖掘。本书通俗易懂，注重基础知识、基本原理和基本方法，注重启发和引申，以培养学生独立思考和独立发现的能力。本书适合作为数据科学与大数据、信息管理、统计等专业的本科层次基础课教材，也可作为相关专业研究生层次的参考用书。

本书把数据视为基础资源，根据软件工程的思想，总结了数据利用的历程，讲述了数据仓库的基础知识和工具，研究了数据挖掘的任务及其挑战，给出了经典的数据挖掘算法，介绍了数据挖掘的产品，剖析了税务数据挖掘的案例，探索了大数据的管理和应用问题。 全书仰望前景，深入浅出，强调基础，注重应用，是软件工程及相关专业的高年级本科生、研究生的理想教材，亦可作为相关领域的参考用书。

为数据挖掘入门级教材，共分8章，主要内容分为三个专题：技术、数据和评估。技术专题包括决策树技术、K-means算法、关联分析技术、神经网络技术、回归分析技术、贝叶斯分析、凝聚聚类、概念分层聚类、混合模型聚类技术的EM算法、时间序列分析和基于Web的数据挖掘等常用的机器学习方法和统计技术。数据专题包括数据库中的知识发现处理模型和数据仓库及OLAP技术。评估专题包括利用检验集分类正确率和混淆矩阵，并结合检验集置信区间评估有指导学习模型，使用无指导聚类技术评估有指导模型，利用Lift和假设检验比较两个有指导学习模型，使用MS Excel 2010和经典的假设检验模型评估属性，使用簇质量度量方法和有指导学习技术评估无指导聚类模型。本书秉承教材风格，强调广度讲解。注重成熟模型和开源工具的使用，以提高学习者的应用能力为目标；

本书以关系数据库为重点，系统、完整地讲述了当前数据库技术的基本原理和应用实践。取材上力图反映当前数据库技术的发展水平和发展趋势。 本书共分8章。第1章绪论，概述了数据管理的进展、数据模型、数据库管理系统和数据库工程的基本概念。第2至4章讲解了关系数据库的数据模型、数据语言和数据理论，其中对关系数据库的标准语言SQL进行了深入介绍。第5章详细讨论了数据库的安全性、完整性、并发控制和恢复等数据库保护技术，并以一个关系数据库产品为例，说明数据库保护技术在实际产品中是如何实现的。第6章讲述了设计数据库应用系统的方法。重点放在设计关系数据库应用系统上。第7章介绍关系数据库产品的发展过程和5个关系数据库产品实例。第8章数据库技术的新进展介绍了数据库技术的发展过程和新一代数据库系统，包括分布式数据库、并

本书是将大数据这一计算机前沿科学和基本应用有机结合的典范教材，全面介绍大数据和相关的基础知识，由浅入深地剖析大数据的分析处理方法和技术手段，突出介绍大数据*的发展趋势和技术成果。本书的一大亮点是每章中都使用图表对大数据与传统数据处理方式进行对比。另外，本书注重启发式的学习策略，便于读者理解和掌握。全书每章均包括实际应用案例与关键词注释，方便读者查阅和自学，同时配备习题和参考答案。本书体系完整、内容丰富、注重应用、前瞻性强、适用性好，并有开放式的课程教学网站（http://www.cmu.edu.cn/computer）提供技术支持。本书既可以作为普通高校大数据技术的基础教材，也可以作为职业培训教育及相关技术人员的参考用书。