伴隨著大數(shù)據(jù)時代的發(fā)展，數(shù)據(jù)價值的挖掘以及產(chǎn)品化逐漸被重視起來。《輕松學(xué)大數(shù)據(jù)挖掘：算法、場景與數(shù)據(jù)產(chǎn)品》作為該領(lǐng)域的入門教程，打破以往的數(shù)據(jù)工具與技術(shù)的介紹模式，憑借作者在大數(shù)據(jù)價值探索過程中的所感所悟，以故事的形式和讀者分享一個又一個的數(shù)據(jù)經(jīng)歷，引人深思、耐人尋味?！遁p松學(xué)大數(shù)據(jù)挖掘：算法、場景與數(shù)據(jù)產(chǎn)品》共9章，第1～2章介紹數(shù)據(jù)情懷與數(shù)據(jù)入門；第3～6章討論大數(shù)據(jù)挖掘相關(guān)的一系列學(xué)習(xí)體系；第7～9章為實踐應(yīng)用與數(shù)據(jù)產(chǎn)品的介紹。讓所有學(xué)習(xí)大數(shù)據(jù)挖掘的朋友清楚如何落地，以及在整個數(shù)據(jù)生態(tài)圈所需要扮演的角色，全面了解數(shù)據(jù)的上下游。

《輕松學(xué)大數(shù)據(jù)挖掘：算法、場景與數(shù)據(jù)產(chǎn)品》可作為相關(guān)工作經(jīng)驗在3年以內(nèi)的數(shù)據(jù)挖掘工程師、轉(zhuǎn)型入門做大數(shù)據(jù)挖掘的人士或者對數(shù)據(jù)感興趣的追逐者的輕松學(xué)習(xí)教程，引導(dǎo)大家有一個正確的學(xué)習(xí)方向，也可供對數(shù)據(jù)產(chǎn)品感興趣的產(chǎn)品經(jīng)理和數(shù)據(jù)挖掘工程師閱讀參考。

目錄

第1章 數(shù)據(jù)情懷篇 1
1.1 數(shù)據(jù)之禪 1
1.2 數(shù)據(jù)情懷 1
1.2.1 數(shù)據(jù)情懷這股勁 2
1.2.2 對數(shù)據(jù)情懷的理解 2
1.3 大數(shù)據(jù)時代的我們 4
1.4 成為DT時代的先驅(qū)者 6
1.4.1 數(shù)據(jù)沒有寒冬 6
1.4.2 數(shù)據(jù)生態(tài)問題 7
1.4.3 健康的數(shù)據(jù)生態(tài) 8
1.4.4 結(jié)尾 8
第2章 數(shù)據(jù)入門 9
2.1 快速掌握SQL的基礎(chǔ)語法 9
2.1.1 初識SQL 9
2.1.2 學(xué)會部署環(huán)境 10
2.1.3 常用的SQL語法（上篇） 13
2.1.4 常用的SQL語法（下篇） 17
2.2 在Windows 7操作系統(tǒng)上搭建IPython Notebook 25
2.2.1 學(xué)習(xí)Python的初衷 25
2.2.2 搭建IPython Notebook 26
2.2.3 IPython.exe Notebook的使用說明 27
2.2.4 配置IPython Notebook遠程調(diào)用 27
2.3 快速掌握Python的基本語法 30
2.4 用Python搭建數(shù)據(jù)分析體系 38
2.4.1 構(gòu)建的初衷 38
2.4.2 構(gòu)建思路 39
2.4.3 開發(fā)流程 39
2.5 Python學(xué)習(xí)總結(jié) 44
2.5.1 關(guān)于Python 45
2.5.2 Python其他知識點 45
第3章 大數(shù)據(jù)工具篇 48
3.1 Hadoop偽分布式的安裝配置 48
3.1.1 部署CentOS環(huán)境 48
3.1.2 部署Java環(huán)境 50
3.1.3 部署Hadoop偽分布式環(huán)境 51
3.2 數(shù)據(jù)挖掘中的MapReduce編程 54
3.2.1 學(xué)習(xí)MapReduce編程的目的 54
3.2.2 MapReduce的代碼規(guī)范 55
3.2.3 簡單的案例 58
3.3 利用MapReduce中的矩陣相乘 60
3.3.1 矩陣的概念 60
3.3.2 不同場景下的矩陣相乘 61
3.4 數(shù)據(jù)挖掘中的Hive技巧 67
3.4.1 面試心得 67
3.4.2 用Python執(zhí)行HQL命令 67
3.4.3 必知的HQL知識 69
3.5 數(shù)據(jù)挖掘中的HBase技巧 75
3.5.1 知曉相關(guān)依賴包 75
3.5.2 從HBase中獲取數(shù)據(jù) 76
3.5.3 往HBase中存儲數(shù)據(jù) 77
第4章 大數(shù)據(jù)挖掘基礎(chǔ)篇 81
4.1 MapReduce和Spark做大數(shù)據(jù)挖掘的差異 81
4.1.1 初識Hadoop生態(tài)系統(tǒng) 81
4.1.2 知曉Spark的特點 83
4.1.3 編程的差異性 85
4.1.4 它們之間的靈活轉(zhuǎn)換 88
4.1.5 選擇合適的工具 89
4.2 搭建大數(shù)據(jù)挖掘開發(fā)環(huán)境 90
4.3 動手實現(xiàn)算法工程 99
4.3.1 知曉Spark On Yarn的運作模式 101
4.3.2 創(chuàng)作第一個數(shù)據(jù)挖掘算法 102
4.3.3 如何理解“樸素”二字 103
4.3.4 如何動手實現(xiàn)樸素貝葉斯算法 103
第5章 大數(shù)據(jù)挖掘認(rèn)知篇 107
5.1 理論與實踐的差異 107
5.2 數(shù)據(jù)挖掘中的數(shù)據(jù)清洗 110
5.2.1 數(shù)據(jù)清洗的那些事 110
5.2.2 大數(shù)據(jù)的必殺技 111
5.2.3 實踐中的數(shù)據(jù)清洗 112
5.3 數(shù)據(jù)挖掘中的工具包 120
5.3.1 業(yè)務(wù)模型是何物 120
5.3.2 想做一個好的模型 121
第6章 大數(shù)據(jù)挖掘算法篇 123
6.1 時間衰變算法 123
6.1.1 何為時間衰變 123
6.1.2 如何理解興趣和偏好 124
6.1.3 時間衰變算法的抽象 124
6.1.4 采用Spark實現(xiàn)模型 126
6.2 熵值法 130
6.2.1 何為信息熵 130
6.2.2 熵值法的實現(xiàn)過程 130
6.2.3 業(yè)務(wù)場景的介紹 132
6.2.4 算法邏輯的抽象 133
6.3 預(yù)測響應(yīng)算法 136
6.3.1 業(yè)務(wù)場景的介紹 136
6.3.2 構(gòu)建模型的前期工作 137
6.3.3 常用的預(yù)測模型 138
6.4 層次分析算法 140
6.5 工程能力的培養(yǎng)與實踐 142
6.5.1 工程能力的重要性 142
6.5.2 利用Python實現(xiàn)層次分析法 144
第7章 用戶畫像實踐 148
7.1 用戶畫像的應(yīng)用場景 148
7.1.1 背景描述 148
7.1.2 需求調(diào)研 149
7.2 用戶畫像的標(biāo)簽體系 150
7.2.1 需求分析 151
7.2.2 標(biāo)簽的構(gòu)建 151
7.3 用戶畫像的模塊化思維 152
7.3.1 何為模塊化思維 152
7.3.2 用戶畫像與模塊化思維 153
7.4 用戶畫像的工程開發(fā) 154
7.4.1 對于開發(fā)框架的選擇 154
7.4.2 模塊化功能的設(shè)計 156
7.5 用戶畫像的智能營銷 158
7.5.1 業(yè)務(wù)營銷 158
7.5.2 營銷構(gòu)思 159
7.5.3 技術(shù)難點 160
第8章 反欺詐實踐篇 162
8.1 “羊毛黨”監(jiān)控的業(yè)務(wù) 162
8.1.1 “羊毛黨”的定義與特點 162
8.1.2 “羊毛”存在的必然性 163
8.1.3 “羊毛黨”的進化 164
8.1.4 “羊毛黨”存在的利與弊 165
8.1.5 “羊毛黨”監(jiān)控平臺的意義 165
8.2 “羊毛黨”監(jiān)控的設(shè)備指紋 166
8.2.1 何為設(shè)備指紋 166
8.2.2 底層參數(shù) 167
8.2.3 應(yīng)用場景 168
8.2.4 移動端的數(shù)據(jù)持久化 169
8.2.5 設(shè)備指紋生成算法 169
8.3 “羊毛黨”監(jiān)控的數(shù)據(jù)驅(qū)動 170
8.3.1 監(jiān)控的目的 170
8.3.2 數(shù)據(jù)如何“食用” 172
8.4 “羊毛黨”監(jiān)控的實踐分享 173
第9章 大數(shù)據(jù)挖掘踐行篇 178
9.1 如何從0到1轉(zhuǎn)型到大數(shù)據(jù)圈子 178
9.2 數(shù)據(jù)挖掘從業(yè)者綜合能力評估 180
9.2.1 度量的初衷 180
9.2.2 綜合能力評估 181
9.2.3 個人指標(biāo)體系（大數(shù)據(jù)挖掘） 182
9.3 給想要進入數(shù)據(jù)挖掘圈子的新人一點建議 183
9.3.1 誠信與包裝 184
9.3.2 籌備能力 185
9.3.3 投好簡歷 186
9.3.4 把握面試 186
9.3.5 結(jié)尾 187
后記 數(shù)據(jù)價值探索與數(shù)據(jù)產(chǎn)品實踐 188