本书是中山大学重点学科建设成果，获中国矿物岩石地球化学协会大数据与数学地球科学专业委员会推荐，是我国*部地质科学大数据与机器学习教材。本书是中山大学研究生试用研究型教材，对运用大数据挖掘与机器学习算法解决地球科学问题大有裨益。适合地质科学领域研究生和高年级本科生做教材，也可供科研人员研究时参考。它系统地介绍了地球科学大数据挖掘与机器学习的基本框架与原理，重点分析高维数据的降维、分类与预测、大图形社区结构识别、无限流数据处理、机器学习及人工智能地质学的建模过程，对必要的应用场景，使用Python语言给出案例。
本书是《实用数据结构基础（第四版）》（陈元春、王中华、张亮、王勇编著，中国铁道出版社出版） 的配套学习指导书。全书内容分为5部分：教学内容指导（包括对主教材第1～10章的知识点分析、典型 习题分析和各章习题解答）；自主设计实验指导（对10个自主设计实验的设计思想、算法分析进行了详细 指导）；模拟试卷；模拟试卷参考答案；数据结构课程设计报告样例。 本书对数据结构的概念和原理的阐述通俗易懂，例子翔实；习题难易适中，题型丰富；对数据结构 基本运算的分析注重实现的过程。本书以C/C++语言作为算法的描述语言，对于书中的实验和一些重要 的算法均给出了完整的C/C++语言源程序，并全部在Visual C++ 6.0环境下运行通过。 本书适合作为普通高等院校计算机类专业数据结构课程的教学辅导书，也可作为成
在新媒体时代，如果对新闻报道、网上搜索的结果或者所谓的 专家告知 不加思考地完全相信，那你就等着上当受骗吧！ 本书围绕当今*受瞩目的大数据科学理论，通过日本政府公布的公开数据，集中针对访日游客的增加、舆论调查的可靠性、 安倍经济学 的成果、东日本大地震后的状况、相对贫困、失业率的下降、年轻人远离ХХ、全球变暖问题、减肥、恩格尔系数的上升等10个主题进行数据解读，帮助读者模拟体验数据读取方法，提高理解和分析数据的能力，挖掘出数据背后隐藏的真相。 作为 大数据分析 的超级入门书，即使不擅长数学、不了解统计学的人，读完本书也可以彻底掌握数据解读方法！
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。
本书结合高职高专的教学特点，较系统地介绍了*基础、*必需掌握的数据库原理相关理论知识，在此基础上，通过大量实例着重讲解SQL Server 2014所提供的各种工具对数据库实施的操作与管理，并辅以某公司人事系统后台数据库设计项目作为实训练习贯穿全书，使得数据库原理的阐述与SQL Server 2014的实际应用融为一体，读者可以通过必要的基本理论指导其对数据库操作的实践，同时也能在实践中加深对数据库原理的理解。为方便读者更好掌握SQL Server 2014的使用，书中采用通俗易懂的方式介绍了有关操作步骤和原理，并辅以大量实例和插图。每章均配有相关内容的项目设计，便于读者进行实际操作和练习。本书共计三大部分，其中*部分（*章至第四章），主要介绍数据库基本概念和理论，第二部分（第五章至第七章），主要介绍SQL Server 2014的安装、管理和数据操作等，第
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。
大数据时代的到来，使我们的生活在政治、经济、社会、文化各个领域都产生了很大改变。 数据科学 一词应运而生。如何更好地对海量数据进行分析、得出结论并做出智能决策是统计工作者面临的机遇与挑战。 本书介绍数据挖掘与统计机器学习领域常用的模型和算法，包括基础的线性回归和线性分类方法，以及模型选择和模型评价的概念和方法，进而介绍非线性的回归和分类方法（包括决策树与组合方法、支持向量机、神经网络以及在此基础上发展的深度学习方法）。后介绍无监督的学习中的聚类方法和业界广泛使用的推荐系统方法。除了方法的理论讲解之外，我们给出了每种方法的R语言实现，以及应用Python语言实现深度学习和支持向量机两种方法。本书的一个亮点是后一章给出的两个大数据案例，数据量均在10G左右。我们同时给出了单机版（Python、数据库、R
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。
数据挖掘是近年来计算机科学中活跃的研究分支之一。本书分三部分介绍数据挖掘中的三个热点：空间数据挖掘、半监督学习与流形学习，并分别介绍了这三个研究热点的研究背景、研究现状、存在问题、*算法与应用等。本书在论述这三个研究热点的研究现状并分析了存在的问题后，面向实际需要，提出*的模型、算法与技术。这些模型与算法以作者研究成果为基础，具有一定的创新性与实际应用价值。这些成果可帮助广大研究工作者与工程技术人员拓展思路，并为数据挖掘的理论应用提供借鉴。 本书可供数据挖掘、机器学习及相关专业的研究人员、教师、研究生和工程人员参考。
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
科技的进步，特别是信息产业的发展，把整个社会带入一个崭新的信息时代。随着计算机应用的普及和数据库技术的不断发展，数据仓库与数据挖掘技术的应用领域越来越广泛。 《数据仓库与数据挖掘》第1章介绍数据仓库、数据挖掘的一般知识和应用领域。第2～8章介绍数据仓库和数据挖掘的理论和技术，其中第2、3章侧重数据仓库，重点阐述了数据仓库的架构、olap等内容，第4～8章侧重数据挖掘，重点阐述了关联规则、粗糙集、决策树、聚类分析和兴趣度量等内容。第9章给出了数据仓库与数据挖掘方面的应用案例。 《数据仓库与数据挖掘》是为软件工程硕士量身定做的教材，也可作为计算机专业、信息类专业、管理类专业相关课程的教材和教学参考书。
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。
本书覆盖了数据仓储构建的所有主要领域，包括数据仓储的定义和环境；数据仓储的4个类型、对数据仓储的5类共15个要求；2个方法论的总结及3个构建方法。本书给出了一个高性能的参照系统结构。基于此参照系统结构，本书系统地讨论了大量设计议题、并包括21个设计建议、8个实践建议、7个设计原则、27个通用算法和技术、12个元数据驱动的通用操作符、7个工作过程、4个范式基础及范式原则。
本书以图书馆信息化为基点，从理论与实际应用角度，介绍了数据仓库与数据挖掘的概念、方法及在图书馆的应用。主要内容包括：以图书馆自动化集成系统日常工作中产生的数据为基础，详细介绍了应用微软SQL Server 2012数据仓库与数据挖掘工具进行图书馆数据仓库开发、数据集成服务、联机分析处理及常见数据挖掘技术挖掘过程。本书注重实践性，可操作性强，可作为企事业单位数据仓库与数据挖掘工作人员、研究人员参考用书
《数据仓库与数据挖掘技术》主要介绍数据仓库和数据挖掘技术的基本概念、相关技术和应用案例及方法。全书共分为9章，主要内容包括：数据仓库与数据挖掘的概念和体系结构、数据仓库开发模型、etl技术、olap技术、商务智能系统、数据预处理技术、数据挖掘技术、数据仓库开发实例、报表设计等内容。本书各章节的案例均使用microsoftsql server2005进行操作实践讲解。通过对具体实例的学习和实践，使读者掌握数据仓库和数据挖掘中必要的知识点，达到学以致用的目的。 《数据仓库与数据挖掘技术》适合作为高等院校本科学生的教材，也可供企业信息化管理人员、技术人员以及软件开发人员阅读参考。
本书根据*高等学校计算机基础教学指导委员会编制的《普通高等学校计算机基础教学基本要求》,为满足高等教育对数据库技术和程序设计方面的基本要求进行编写。本书共11章，包括数据库基础知识、Access 20*数据库、表的创建与使用、查询设计、结构化查询语言SQL、窗体设计、报表设计、宏、VBA与模块、数据库管理、数据库安全等。书中有丰富的案例和大量的练习题，还提供课后习题参考答案。本书内容叙述清楚、示例丰富、图文并茂、步骤清晰、易懂易学，适合广大应用型本科和高职高专院校教学使用，以及有一定计算机基础的爱好者自学使用，也可作为全国计算机等级考试参考书。
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
