本书结合主流分布式计算框架、国产芯片，介绍算法极致性能优化实践，开发面向企业级应用的高性能数据挖掘算法，剖析数据挖掘算法的典型应用案例，帮助读者在面向数据挖掘算法科研问题、企业应用时快速构建应用。
本书具体介绍了机器学习和数据挖掘的方法在大数据环境下的具体算法原理与流程，以及在华为鲲鹏平台的具体实现，是第一本贯穿分布式计算框架、底层芯片的，指导面向企业级应用的数据挖掘算法的书籍，适合作为高校、科研机构中需要对大规模数据进行挖掘和分析的学生、科研人员以及企业中大数据分析应用研发人员的参考用书。

袁春，清华大学副研究员、博士生导师，清华大学深圳研究生院计算机应用技术实验室主任，IEEE高级会员，中国计算机学会高级会员。长期从事机器学习、计算机视觉、多媒体技术等方面的研究。

丛书序
前言
第1章 大数据挖掘技术概述
1.1 大数据技术重要性
1.2 大数据概念和类型
1.3 大数据挖掘技术
1.3.1 大数据采集技术
1.3.2 大数据预处理技术
1.3.3 大数据分析和挖掘技术
1.3.4 大数据可视化技术
1.3.5 大数据应用
1.4 大数据挖掘系统架构
1.4.1 大数据存储系统
1.4.2 大数据处理系统
1.4.3 大数据可视化和应用系统
1.5 大数据挖掘技术的特性
1.6 新技术浪潮下的大数据挖掘技术
参考文献
第2章 分布式开发框架
2.1 分布式并行策略
2.1.1 数据并行
2.1.2 模型并行
2.2 分布式协调
2.2.1 ZooKeeper简介
2.2.2 数据模型
2.2.3 ZooKeeper体系结构
2.2.4 分布式锁
2.3 分布式通信
2.3.1 分布式通信机制
2.3.2 分布式通信拓扑
2.4 分布式一致性算法
2.4.1 一致性哈希
2.4.2 Paxos算法
2.4.3 Raft算法
2.5 分布式计算框架
2.5.1 Hadoop
2.5.2 Spark
2.5.3 Flink
2.5.4 Ray
参考文献
第3章 经典挖掘算法
3.1 主成分分析
3.1.1 算法介绍
3.1.2 算法推导
3.2 线性回归
3.2.1 线性回归的损失函数
3.2.2 优化求解方法
3.2.3 正则化
3.3 逻辑回归
3.3.1 Logistic函数
3.3.2 逻辑回归的损失函数
3.3.3 多分类问题
3.4 线性支持向量机
3.4.1 支持向量机的基本概念
3.4.2 线性支持向量机的损失函数
3.5 决策树
3.5.1 决策树算法概述
3.5.2 ID3决策树算法
3.5.3 C4.5算法
3.5.4 分类回归树（CART）
3.6 随机森林
3.7 梯度提升决策树
3.7.1 负梯度与残差
3.7.2 GBDT的计算原理
3.7.3 GBDT常用的损失函数
3.8 XGBoost
3.8.1 XGBoost预测模型
3.8.2 目标函数
3.8.3 XGBoost算法分析
3.9 交替小二乘法
3.9.1 显式反馈
3.9.2 隐式反馈
参考文献
第4章 鲲鹏BoostKit大数据挖掘
4.1 鲲鹏芯片
4.1.1 鲲鹏芯片的发展
4.1.2 鲲鹏920处理器
4.1.3 鲲鹏920处理器的特点
4.2 鲲鹏BoostKit使能大数据场景
4.2.1 鲲鹏应用使能套件BoostKit
4.2.2 鲲鹏BoostKit大数据使能套件
4.3 鲲鹏BoostKit大数据机器学习算法库
4.3.1 算法介绍
4.3.2 机器学习算法库的使用方法
第5章 数据挖掘算法在鲲鹏的优化实践
5.1 主成分分析
5.1.1 Covariance方法实现
5.1.2 SVD方法实现
5.1.3 鲲鹏BoostKit算法API介绍
5.2 逻辑回归
5.2.1 概念回顾
5.2.2 优化求解
5.2.3 分布式实现
5.2.4 鲲鹏BoostKit算法API介绍
5.3 随机森林
5.3.1 随机森林基础回顾
5.3.2 随机森林分布式实现与优化
5.3.3 鲲鹏BoostKit算法API介绍
5.4 XGBoost
5.4.1 XGBoost的基础回顾
5.4.2 XGBoost4J-Spark实现详解
5.4.3 XGBoost单轮分布式训练实现详解
5.4.4 鲲鹏BoostKit算法API介绍
5.5 交替小二乘法
5.5.1 分布式实现流程
5.5.2 分布式实现详解
5.5.3 鲲鹏BoostKit算法API介绍
参考文献
第6章 数据挖掘算法应用案例
6.1 商品推荐案例
6.1.1 场景介绍
6.1.2 整体方案
6.1.3 关键步骤
6.1.4 小结
6.2 房价预测案例
6.2.1 场景介绍
6.2.2 整体方案
6.2.3 关键步骤
6.2.4 小结
6.3 客户细分案例
6.3.1 场景介绍
6.3.2 整体方案
6.3.3 关键步骤
6.3.4 小结