全书分为三大部分： 主要讨论有关增强数据密集型应用系统所需的若干基本原则。首先开篇第1章即瞄准目标：可靠性、可扩展性与可维护性，如何认识这些问题以及如何达成目标。第2章我们比较了多种不同的数据模型和查询语言，讨论各自的适用场景。接下来第3章主要针对存储引擎，即数据库是如何安排磁盘结构从而提高检索效率。第4章转向数据编码（序列化）方面，包括常见模式的演化历程。 我们将从单机的数据存储转向跨机器的分布式系统，这是扩展性的重要一步，但随之而来的是各种挑战。所以将依次讨论数据远程复制（第5章）、数据分区（第6章）以及事务（第7章）。接下来的第8章包括分布式系统的更多细节，以及分布式环境如何达成一致性与共识（第9章）。 主要针对产生派生数据的系统，所谓派生数据主要指在异构系统中，如果无法用一个数

本书围绕精益创业展开讨论，融合了精益创业法、客户开发、商业模式画布和敏捷/持续集成的精华。本书汇聚了100多位创始人、投资人、内部创业者和创新者的成功创业经验，呈现了 30 多个极具价值的案例分析，可以为各阶段的创业者提供行为准则。 如果你是一名创业者，或者你是一名产品开发、产品管理、市场营销、公共关系和投资领域的商务专业人员，那么本书不容错过。

《向量数据库:大模型驱动的智能检索与应用》系统地介绍向量数据库的原理、技术实现及其应用，重点分析传统数据库在处理高维向量数据时的局限性，并提供相应的解决方案。《向量数据库:大模型驱动的智能检索与应用》分为4个部分，共13章，内容涵盖从理论基础到技术实践的多个方面，详细讨论高维向量表示中的信息丢失、嵌入空间误差和维度诅咒等问题，结合FAISS和Milvus等主流开源工具，深入剖析向量数据库的索引机制、搜索算法和优化策略。通过实际案例，展示向量数据库在推荐系统、行为分析、智能诊断、语义搜索等领域的应用，并特别强调企业级语义搜索系统的开发与部署经验。 《向量数据库:大模型驱动的智能检索与应用》不仅提供深度的理论指导，还通过丰富的案例帮助读者掌握如何构建高效的向量搜索引擎，适合从事搜索引擎与推荐系统开发的

本书结合理论和实践，由浅入深，全方位介绍了Hadoop这一高性能的海量数据处理和分析平台。全书5部分24章，第Ⅰ部分介绍Hadoop基础知识，主题涉及Hadoop、MapReduce、Hadoop分布式文件系统、YARN、Hadoop的I/O操作。第Ⅱ部分介绍MapReduce,主题包括MapReduce应用开发；MapReduce的工作机制、MapReduce的类型与格式、MapReduce的特性。第Ⅲ部分介绍Hadoop的运维，主题涉及构建Hadoop集群、管理Hadoop。第Ⅳ部分介绍Hadoop相关开源项目，主题涉及Avro、Parquet、Flume、Sqoop、Pig、Hive、Crunch、Spark、HBase、ZooKeeper。第Ⅴ部分提供了三个案例，分别来自医疗卫生信息技术服务商塞纳(Cerner)、微软的人工智能项目ADAM(一种大规模分布式深度学习框架)和开源项目Cascading(一个新的针对MapReduce的数据处理API)。 本书是一本权威、全面的Hadoop参考书和工具书，阐述了Hadoop生态圈的*发展和应用，程序员可以从中探

《Doris实时数据仓库理论与实战》系统地介绍了Doris的核心概念、架构原理和各项功能。全书共7章。第1章对Doris做了初步介绍。第2章重点介绍了Doris的数据表设计。第3章聚焦于Doris的数据导入。第4章介绍了Doris的数据导出和数据管理。第5章讨论了Doris中的数据更新和删除操作。第6章将读者带入Doris的进阶使用领域。第7章展示了Doris的生态扩展。通过《Doris实时数据仓库理论与实战》的学习，读者可以全面而深入地了解运用Doris构建高效、可扩展、实时数据仓库系统的方法,从理论到实践，从基础到进阶。 《Doris实时数据仓库理论与实战》适用于Doris开发人员和数据工程师，或有志从事数据仓库开发的技术人员。

本书主要以项目实战为主线，从0到1的项目开发流程，教会读者如何开发全栈项目。它基于最新的Spring Boot3.1以上版本和Vue.js3.0版本的前后端分离项目开发，以及面向用户端的uni-app的小程序开发。本书基础的知识会在项目的开发过程中穿插讲解，不会单独的基础知识讲解，采用实战驱动学习知识的教学方法，并通过详细的代码示例、清晰的图解和源码解析帮助读者快速理解和掌握全栈项目开发的技巧和最佳项目实践。 本书共22章，包括Spring Boot篇、Vue篇和uni-app篇。Spring Boot篇（第1~14章）从环境搭建到项目上线，逐步深入讲解项目开发流程，并使用了众多企业级流行的开发技术，如Redis、Docker、Jenkins、Mybatis-plus等。Vue.js篇（第15~19章）使用Vue 3.0版本，采用开源的Vue.js框架Vue-Vben-Admin作为项目启动模板，帮助快速搭建后台管理系统，节约时间成本等。uni-app篇（第20~22章

本书旨在为包括研究生和工业从业者在内的研究人员提供有关为数据驱动的进化优化而开发的最新方法的全面描述。本书共分12章，第1~4章简要介绍了优化、进化计算和机器学习中精心挑选的重要主题和方法。第5章提供了数据驱动优化的基础知识，包括启发式算法和基于获取函数的代理模型管理。第6章介绍使用多个代理模型进行单目标优化的方法。第7~8章中描述用于求解多目标和多目标优化算法的代表性进化算法以及代理模型辅助数据驱动的进化多目标和多目标优化。第9章详细阐述了高维数据驱动优化的方法。第10章描述迁移学习和迁移优化。第11章讨论离线数据驱动的进化优化，以翼型设计优化等实际优化问题为例、原油蒸馏优化和急救系统优化。最后，第12章强调了深度神经架构搜索作为数据驱动的昂贵优化问题。

利用这本书，你将学习以下内容：了解如何选择Spark转换实现优化的解决方案。探索强大的转换和归约，包括reduceByKey()、combineByKey()和mapPartitions()。理解数据分区以实现优化查询。使用PySpark设计模式构建和应用模型。对图数据应用motif查找算法。使用GraphFrames API分析图数据。对临床医学和基因组数据应用PySpark算法。学习如何在ML算法中使用和应用特征工程。了解并使用实用的数据设计模式。

本书全面介绍了数据开发利用技术，包括大数据计算、大数据管理、大数据安全、大数据可视化、数据自治、数据爬虫、知识图谱、大数据挖掘、深度学习、区块链等技术，还特别介绍了数据产品生产技术。这些技术涵盖了数据获取与管理、数据分析与应用、数据安全与流通等数据开发利用的各个环节，形成一个较为完整的大数据技术体系。

本书主要作为教育领域从事教育大数据研究工作者的参考用书。本书从教育大数据的重要意义、国内外教育大数据的研究现状以及政策支持出发，对教育大数据的相关概念和内涵做阐述说明，介绍了教育大数据的技术、技术标准、治理与开放、风险管理与法律政策，重点阐述了教育大数据在教育领域的典型应用，包括教育大数据在课堂教育、校园管理、在线教育、开放远程教育、教育培训行业以及学生综合素质评价等方面的应用，*后提出教育大数据的发展趋势和机遇挑战。

《Hadoop海量数据处理》从Hadoop的基础知识讲起，逐步深入Hadoop分布式文件系统（HDFS）和MapReduce分布式编程框架的核心技术，帮助读者全面、系统、深入地理解Hadoop海量数据处理技术的精髓。本书在讲解技术原理时穿插大量的典型示例，并详解两个典型项目实战案例，帮助读者提高实际项目开发水平。 《Hadoop海量数据处理》共15章，分为4篇。第1篇Hadoop基础知识，包括大数据概述、Hadoop概述、Hadoop环境搭建与配置；第2篇Hadoop分布式存储技术，包括HDFS概述、HDFS基础操作、HDFS的读写原理和工作机制、Hadoop 3.x的新特性；第3篇MapReduce分布式编程框架，包括MapReduce概述、MapReduce开发基础、MapReduce框架的原理、MapReduce数据压缩、YARN资源调度器、Hadoop企业级优化；第4篇项目实战，包括Hadoop高可用集群搭建实战和统计TopN经典项目案例实战。 《Hadoop海量数据处理》通俗易懂、案

《GraphPad Prism图表可视化与统计数据分析:视频教学版 》以GraphPad Prism 10为平台，讲述统计分析软件GraphPad Prism的具体应用方法。在介绍《GraphPad Prism图表可视化与统计数据分析:视频教学版 》内容的过程中，作者结合自己多年的工作经验及学习的通常心理，及时给出总结和相关提示，帮助读者快速掌握所学的知识。《GraphPad Prism图表可视化与统计数据分析:视频教学版 》配套示例源文件、PPT课件、教学视频、课程标准、教学大纲和教案。 《GraphPad Prism图表可视化与统计数据分析:视频教学版 》共分12章，内容包括GraphPad Prism基础知识、工作表和单元格、数据输入和模拟、数据处理、图表数据可视化、图表格式设置与优化、图表图形修饰处理、试验数据分析、回归分析、推断性统计分析、一致性检验和生存分析。 《GraphPad Prism图表可视化与统计数据分析:视频教学版 》既适

《Text data mining》 offers thorough and detailed introduction to the fundamental theories and methods of text data mining, ranging from pre-processing (for both Chinese and English texts), text representation, feature selection, to text classification and text clustering. Also it presents predominant applications of text data mining, for example, topic model, sentiment analysis and opinion mining, topic detection and tracking, information extraction, and text automatic summarization, etc.

这是一本系统剖析Greenplum开源大数据平台的书籍，也是大数据战略制定与落地的实战型指导书！本书围绕数字原生和云计算、大数据、人工智能驱动的企业数字化转型的核心诉求，从商业和技术实战视角分享了业界领先企业大数据战略的深刻思考，并提供了大数据战略从制定到落地的全面指导。既有高阶数字化战略高度对大数据的解读，又有技术实战角度对使用Greenplum大数据和机器学习平台实现大数据战略的实践指南。本书作者来自Greenplum核心研发团队，致力于以开源、开放的理念和先进的技术推进大数据产业生态，助力企业以更低的成本、更高的效率实现数字化转型，并基于Greenplum开源社区培养大数据产业更多人才。本书分为四个部分。部分介绍大数据战略。其中，章将分享作者对于人工智能、大数据和云计算之间关系的理解以及对人和人工智能的思考。第2章将

本书不仅系统介绍各种传统的数据结构以及搜索和内、外排序算法，还引入了一些新数据结构，如伸展树和跳表。本书在重视理论的同时，强调应用性和实践性，对上机实习赋予足够重视。每章包括程序设计题，并将实习指导和实习题作为专门的章节编写。全书条理清晰，内容详实。书中算法都有完整的C程序。程序结构清晰，构思精巧。所有程序都已在VC环境下编译通过并能正确运行。本书深入浅出，配有大量的实例和图示，并有丰富的习题和实习题，适于自学。本书可作为电气信息类、电子信息科学类以及计算机、管理信息系统、电子商务，教育技术等其他相关专业学生数据结构课程的教材，并可供其他计算机应用工程技术人员参考。

基于知识的聚类展示的是如何设计一个导航平台，以使信息探寻者能理解和较好的应用种类繁多的数据集。比模糊聚类走得更远，作者展示了基于知识的聚类这一有前景的新范例是如何揭示更有意义的数据结构，并使社会更好地处理日益增长的数据和信息流。通过这《基于知识的聚类—从数据到信息粒》，读着能理解基于知识聚类的基础和与其相关联的算法，学会将他们自己的知识应用到系统建模和设计中去。《基于知识的聚类—从数据到信息粒》首先对模糊聚类和粒计算这一领域进行介绍和讨论。然后，作者深入研究了基于逻辑的神经元和神经网络。《基于知识的聚类—从数据到信息粒》的核心部分包括9章，在其中呈现和分析了众多不同的基于知识的聚类的方法。《基于知识的聚类—从数据到信息粒》的第三部分致力于模型的研究，首先讨论超盒结构，然后讨论

《大数据挖掘》对大数据挖掘技术进行了全面而细致的定义和归纳，并将向读者展现该领域研究热点和技术。关于大数据应用实现章节的内容将采用作者实际主持和完成的大数据挖掘项目为实际案例，阐述大数据挖掘应用实现过程中的问题、解决方案和取得的成果。《大数据挖掘》一书的主要读者是数据科学专业的高等学校学生及老师，从事数据和信息质量工作的研究人员、技术人员、管理人员和决策人员

本书在系统地介绍各种类型RAID的结构和工作原理的基础上，深入浅出地讲解了RAID数据恢复的方法和技巧，同时，针对市场上主流的Windows、Linux、UNIX和Apple等多种文件系统，提供了大量RAID数据恢复的实际案例供读者学习。采用自然形象的方式描述RAID系统的抽象概念；同一个恢复案例，注重对不同的恢复方法进行比较分析。本书概念清楚，逻辑性强，图文并茂，内容新颖。本书适合数据恢复、信息安全等领域的从业人员以及对RAID数据恢复技术感兴趣的人员阅读，也可作为大专院校计算机相关专业学生的或参考书。

MongoDB自2009年推出以来，历经了近十年的发展，在这十年中，数据库领域可谓经历了翻天覆地的变化。本书深入剖析MongoDB新旧版本的特性，结合生产案例详细讲解MongoDB的常见故障；学习MongoDB索引，以便更好地掌握MongoDB性能调优技巧；描述备份恢复的重要性，让读者掌握MongoDB备份恢复技巧；充分利用MongoDB的水平扩展能力，详解MongoDB复制集、分片架构环境；很后讲解如何使用PMM性能监控平台，做好线上MongoDB的监控工作。

当下，大数据是一个热门的话题，很多领域的学者，从不同的角度进行了深入的讨论。本书从大数据的历史、内涵、哲学和技术四个角度，全面解析大数据，让读者对大数据有更深入的了解。 《品味大数据》共11章，大致分为4块：-3章主要漫谈了大数据的有趣的历史，包括数据的启蒙、信息载体的演变和数据管理的发展脉络。第4-6章主要聊聊大数据的内涵，包括大数据与哲学及第四科学范式的关联。第7-9张是大数据的杂谈，包括大数据的用途、可能面临的陷阱以及通过小故事对大数据进行一些，0-11章主要涉及大数据的技术，包括100余篇大数据论文的漫读及Hadoop的初级实战篇。