数据科学概论（数据科学与大数据技术丛书）

数据科学是一门正在兴起的学科，国内外各个大学开始开设数据科学课程或类似课程，并且编写配套教材。我们的教材在内容上按照四大模块进行组织，分别是数据科学基础、数据以及数据上的计算(分析)、数据处理基础设施/平台和工具、以及大数据的案例和实践。我们认为这样的组织，使得内容体系相对完整。

覃雄派（1971?），男，博士，中国人民大学信息学院讲师、硕士生导师，目前主要从事高性能数据库、大数据分析、信息检索等方面的研究工作，主持1项国家自然科学基金面上项目，参与多项国家“863”计划、“973”计划及国家自然科学基金项目，在国内外期刊和会议上发表论文20余篇。

陈跃国（1978?），男，博士，中国人民大学信息学院副教授、博士生导师，中国计算机学会高级会员，数据库专家委员会委员，大数据专家委员会通信委员，Frontiers of Computer Science青年编委，主要研究方向为大数据分析系统和语义搜索。主持国家自然科学基金项目2项，广东省科技应用重大专项1项，参与多项国家核高基（核心电子器件、高端通用芯片及基础软件产品）、“973”计划、“863”计划项目，近年来在SIGMOD、SIGIR、ICDE、AAAI、IEEE TKDE、WWW等国际重要期刊和会议上发表论文30余篇

杜小勇（1963?），男，博士，中国人民大学信息学院教授，博士生导师，*数据工程与知识工程重点实验室主任，中国计算机学会会士，《大数据》期刊编委会副主任。主要研究方向为智能信息检索、高性能数据库、知识工程。主持和参与多项国家核高基（核心电子器件、高端通用芯片及基础软件产品）、“973”计划、“863”计划、国家自然科学基金项目，近年来在SIGMOD、VLDB、AAAI、IEEE TKDE等国际重要期刊和会议上发表论文百余篇。

理论篇//

 

1 数据科学概论

1.1 数据科学的定义

1.2 数据科学的定位

1.2.1 数据科学与数据库、大数据分析的关系

1.2.2 数据科学与基于数据的决策的关系

1.3 数据科学家

1.3.1 数据科学家的技能

1.4 数据科学的基本原则(Principle)

1.4.1 原则1：数据分析可以划分成一系列明确的阶段

1.4.2 原则2：描述性分析与预测性分析

1.4.3 原则3：实体的相似度

1.4.4 原则4：模型的泛化能力

1.4.5 原则5：分析结果的评估与特定应用场景有关

1.4.6 原则6：相关性不同于因果关系

1.4.7 原则7：通过并行处理提高数据处理(分析)速度

1.5 数据处理流程：时间维度的纵向视角

1.6 数据处理系统的架构：系统维度的计算视角

1.6.1 数据处理系统的层次架构

1.6.2 数据处理系统的Lambda架构

1.7 数据的多样性：数据类型维度的横向视角

1.8 数据价值的挖掘：价值维度的价值提升视角

1.9 思考题

 

2 OLTP与数据服务

2.1 面向OLTP应用的RDBMS数据库技术

2.1.1 关系数据库技术与SQL查询语言

2.1.2 利用索引加快数据访问

2.1.3 数据库的事务处理、恢复技术与安全保证

2.1.4 并行数据库与分布式数据库

2.2 面向数据服务的NoSQL数据库技术

2.2.1 NoSQL数据库技术

2.2.2 CAP理论

2.2.3 Key-Value数据库

2.2.4 Column Family数据库

2.2.5 Document数据库

2.2.6 Graph数据库

2.3 NewSQL数据库技术

2.3.1 VoltDB数据库

2.3.2 Google Spanner数据库

2.4 思考题

 

3 OLAP与结构化数据分析

3.1 联机分析处理(OLAP)与结构化数据分析

3.1.1 从操作型的业务数据库向数据仓库抽取、转换和装载数据

3.1.2 数据仓库与星型模型

3.1.3 联机分析处理OLAP

3.1.4 三种类型的OLAP系统

3.2 高性能OLAP系统的关键技术

3.2.1 列存储技术

3.2.2 位图索引技术

3.2.3 内存数据库技术

3.2.4 MPP并行数据库

3.3 结构化数据分析工具介绍

3.3.1 MPP(Shared-Nothing)数据库、基于列存储的关系数据库

3.3.2 SQL on Hadoop系统

3.3.3 性能比较

3.4 思考题

 

4 数据清洗与数据集成

4.1 数据抽取、转换与装载

4.2 数据清洗

4.2.1 数据清洗的意义

4.2.2 数据异常的不同类型

4.2.3 数据质量

4.2.4 数据清洗的任务和过程

4.2.5 数据清洗的具体方法

4.3 数据集成

4.3.1 数据集成

4.3.2 数据集成需要解决的问题—异构性(Heterogeneity)

4.3.3 数据集成的模式

4.3.4 实体解析(Entity Resolution)

4.4 思考题

 

5 数据的深度分析(数据挖掘、机器学习)

5.1 机器学习与数据挖掘简介

5.2 主流机器学习与数据挖掘方法

5.2.1 决策树

5.2.2 聚类算法K-Means

5.2.3 分类算法支持向量机SVM

5.2.4 关联规则分析(Association Rule Analysis)Apriori算法

5.2.5 EM(Expectation–Maximization)算法

5.2.6 协同过滤推荐算法(Collaborative Filtering Recommendation)

5.2.7 kNN(k近邻)算法

5.2.8 朴素Bayes(Naive Bayes)算法

5.2.9 AdaBoost算法

5.2.10 线性回归、Logistic回归

5.2.11 神经网络与深度学习(Neural Network and Deep Learning)

5.2.12 特征选择

5.3 主流数据深度分析工具

5.3.1 Mahout系统

5.3.2 Spark MLlib系统

5.3.3 Weka系统

5.3.4 R系统与语言

5.3.5 SPSS与Matlab

5.3.6 深度学习工具TensorFlow, Caffe

5.4 思考题

 

6 流数据处理

6.1 流数据处理应用

6.2 流式处理(Stream Processing)和批处理(Batch Processing)的区别

6.3 流数据模型

6.4 流数据上的查询实例

6.5 流数据处理系统的查询处理

6.5.1 内存需求(Memory Requirement)

6.5.2 近似查询结果(Approximate Query Answering)

6.5.3 滑动窗口(Sliding Window)

6.5.4 查询数据流的历史数据(Referencing Past Data)

6.5.5 多查询优化与查询计划的适应性

6.5.6 堵塞操作符(Blocking Operator)

6.5.7 数据流里的时间戳(Timestamps in Stream)

6.5.8 批处理(Batch Processing)、采样(Sampling)、梗概(Synopsis)

6.6 查询处理的基础算法

6.6.1 随机采样(Random Sample)

6.6.2 梗概技术(Sketch Technique)

6.6.3 直方图(Histogram)

6.6.4 小波(Wavelet)分析

6.6.5 布隆过滤器(Bloom Filter)

6.6.6 计数小梗概(Count-Min Sketch)

6.7 流数据处理系统

6.7.1 Storm简介

6.7.2 其它流数据处理系统

6.8 思考题

 

7 文本分析

7.1 文本分析的意义

7.2 文本分析的任务和方法

7.2.1 句子切分、分词、词性标注、语法分析

7.2.2 文本索引和检索(Indexing and Search)

7.2.3 文本分类(Text Classification)

7.2.4 文本聚类(Text Clustering)

7.2.5 文档摘要(Document Summarization)

7.2.6 主题抽取(Topic Theme Extraction)

7.2.7 命名实体识别、概念抽取和关系抽取、事实抽取

7.2.8 情感分析(Sentiment Analysis)

7.2.9 其它文本分析任务与方法

7.3 文本分析可视化

7.3.1 标记云(Tag Cloud，也叫Word Cloud)

7.3.2 词共现分析与可视化(Co-Word Analysis & Visualization)

7.4 文本分析软件和工具

7.4.1 NLTK

7.4.2 OPEN NLP

7.4.3 Stanford NLP

7.4.4 LingPipe

7.4.5 GATE

7.4.6 UIMA

7.4.7 Netlytic

7.4.8 WordNet和SentiWordNet

7.5 思考题

 

8 社交网络分析

8.1 简介

8.2 社交网络分析的应用

8.3 社交网络分析方法

8.3.1 网络的一些基本属性

8.3.2 复杂网络的一些拓扑特性

8.3.3 节点的中心性(Centrality)

8.3.4 可达性、路径、短路径、小生成树

8.3.5 凝聚子群与社区检测

8.3.6 链路预测、信息扩散与影响力分析

8.3.7 核心–边缘分析

8.3.8 位置和角色、子图查询、网络模体

8.4 软件

8.4.1 Gephi

8.4.2 UCINET

8.4.3 Pajek

8.4.4 NodeXL

8.5 思考题

 

9 语义网与知识图谱

9.1 语义网(Semantic Web)的基本概念

9.2 语义网体系结构

9.3 语义网的关键技术

9.3.1 XML(Extensible Markup Language, 扩展标记语言)

9.3.2 RDF(Resource Description Framework, 资源描述框架)

9.3.3 OWL与本体Ontology

9.4 知识库与知识图谱

9.4.1 知识库与Linked Open Data

9.4.2 知识图谱

9.4.3 知识图谱的创建

9.4.4 知识图谱的挖掘

9.5 思考题

 

10 数据可视化、可视分析、与探索式数据分析

10.1 什么是可视化

10.2 可视化的强大威力

10.3 可视化的一般过程

10.4 科学可视化与信息可视化

10.5 数据可视化的原则

10.6 可视化实例

10.6.1 散点图与直方图

10.6.2 线图

10.6.3 柱状图与饼图

10.6.4 解剖图、切片、等值面

10.6.5 表现层次关系：树、圆锥树、Tree Map、信息立方体

10.6.6 地图(Map)和地球(Earth)

10.6.7 社交网络(Social network)

10.6.8 堆叠的河流(Stacked River)

10.6.9 多维数据的展示

10.6.10 特色可视化应用

10.7 可视化的挑战和趋势

10.8 可视分析技术

10.9 探索式数据分析

10.10 探索式数据分析的作用

10.11 探索式数据分析的基本方法

10.11.1 了解变量的分布情况、计算统计值

10.11.2 了解变量之间的关系

10.11.3 了解因子变量的相对重要性

10.11.4 在探索式数据分析中对高维数据进行降维

10.11.5 探索式数据分析案例

10.12 可视化工具介绍

10.12.1 D3.js

10.12.2 Processing.js

10.12.3 Protovis

10.12.4 Prefuse

10.12.5 Matplotlib

10.13 思考题

 

应用篇 //

 

11 云计算平台

11.1 云计算的概念与特点

11.1.1 云计算的概念

11.1.2 云计算的特点

11.1.3 云计算与并行计算、分布式计算、集群计算、网格计算的区别与联系

11.2 云计算与大数据处理的关系

11.3 云计算类型与典型系统

11.4 虚拟化技术与数据中心

11.4.1 服务器虚拟化

11.4.2 存储虚拟化

11.4.3 网络虚拟化

11.4.4 数据中心

11.5 主流产品与特点

11.5.1 VMWare

11.5.2 Hyper-V

11.5.3 KVM

11.5.4 XEN

11.6 Openstack开源虚拟化平台

11.7 主流厂商的云计算产品和服务

11.7.1 Amazon

11.7.2 微软

11.7.3 Google

11.7.4 阿里云

11.8 思考题

 

12 Hadoop及其生态系统

12.1 Hadoop简介

12.2 Hadoop分布式文件系统

12.2.1 写文件

12.2.2 读文件

12.2.3 Secondary NameNode介绍

12.3 MapReduce工作原理

12.3.1 MapReduce执行引擎

12.3.2 MapReduce计算模型

12.3.3 Hadoop 1.0的应用

12.4 Hadoop生态系统

12.4.1 Hive原理

12.5 Hadoop2.0版(YARN)

12.5.1 Hadoop 1.0的优势和局限

12.5.2 业务需求推动持续创新

12.5.3 YARN原理

12.5.4 YARN的优势

12.6 Hadoop 2.0上的交互式查询引擎Hive on Tez

12.6.1 Tez原理

12.6.2 把数据处理逻辑建模成一个DAG连接起来的任务

12.6.3 Tez(DAG Job)相对于MapReduce(Job)的优势

12.7 Hadoop平台上的列存储技术

12.7.1 列存储的优势

12.7.2 RCFile

12.7.3 ORC存储格式

12.7.4 Parquet文件格式

12.8 思考题

 

13 Spark及其生态系统

13.1 简介

13.1.1 Spark软件架构

13.1.2 Spark的主要优势

13.2 Hadoop的局限和Spark的诞生

13.3 Spark特性总结

13.4 Spark生态系统

13.5 RDD及其处理

13.5.1 DAG、宽依赖与窄依赖

13.5.2 DAG的调度执行

13.5.3 共享变量(Shared Variable)

13.6 Spark SQL

13.6.1 SparkSQL应用程序

13.7 Spark应用案例

13.7.1 Spark的其它应用案例

13.8 总结

13.9 思考题

 

14 Python与数据科学

14.1 Python概述

14.2 Python开发环境配置(Setup)

14.3 通过一系列实例学习Python(Learn Python Step by Step with Examples)

14.3.1 变量/常量/注释

14.3.2 数据类型

14.3.3 运算符及其优先级、表达式

14.3.4 顺序、分支、循环程序结构

14.3.5 函数、库函数的使用

14.3.6 类和对象、对象的构造、对象摧毁、封装和继承、重写

14.3.7 异常处理

14.3.8 正则表达式

14.3.9 文件I/O(输入输出)

14.4 第三方库和实例(3th Party Libraries and Examples)

14.4.1 Pandas介绍与实例

14.4.2 scikit-learn介绍与实例

14.4.3 深度学习库Keras(基于Tensorflow、Theano)

14.4.4 Matplotlib 介绍与实例

14.4.5 NetworkX介绍与实例

14.4.6 NLTK介绍与实例

14.5 思考题

 

15 评测基准

15.1 评测基准概述

15.1.1 评测基准的目的和作用

15.1.2 评测基准的构成

15.1.3 评测基准的分类

15.1.4 评测基准的选择

15.2 功能性评测基准Daytona 100TB Gray Sort

15.3 面向OLTP应用的评测基准

15.3.1 TPC-C标准

15.3.2 TPC-C的数据模型

15.3.3 TPC-C的负载

15.3.4 TPC-C的性能指标

15.4 面向OLAP应用的评测基准

15.4.1 TPC-H标准

15.4.2 TPC-H的数据模型

15.4.3 TPC-H的负载

15.4.4 3个测试

15.4.5 TPC-H的性能指标

15.4.6 数据生成器和查询负载生成器

15.4.7 TPC-DS简介

15.5 面向大数据应用的评测基准

15.5.1 面向数据服务的评测基准 – YCSB

15.5.2 面向大数据分析处理的评测基准 – Big Bench和BigDataBench

15.5.3 其它评测基准

15.6 思考题

 

16 数据科学案例

16.1 Google流感趋势预测(Google Flu Trends)

16.2 Target利用数据分析预测到一个高中女生的怀孕

16.3 互联网舆情监控与管理

16.4 投资与信用

16.4.1 大数据指数基金

16.4.2 基于大数据的信用评价

16.5 IBM Watson计算机与医疗

16.6 奥巴马竞选团队利用大数据分析技术，帮助奥巴马竞选连任成功

16.7 数据科学与科学研究

16.8 奥斯卡大奖预测、总统选举预测、世界杯预测

16.9 用户画像与精准广告

16.10 自动短文评分(Automatic Essay Scoring)

16.11 数据产品(Data Product)

16.12 其它数据科学案例

16.13 思考题

 

17 数据科学实践

17.1 概述

17.1.1 算法交易和量化交易

17.1.2 量化交易系统的四大模块

17.1.3 交易策略的研发、测试、上线过程

17.1.4 量化交易系统的评价指标

17.2 工具和平台介绍

17.2.1 Zipline函数库介绍

17.2.2 Quantopian介绍

17.3 基于规则的交易策略

17.3.1 移动平均交叉交易策略

17.3.2 均值回归交易策略

17.4 基于机器学习的交易策略

17.4.1 基于Random Forest分类器的交易策略(分类)

17.4.2 基于SVM回归模型的交易策略(回归)

17.5 关于若干专题的讨论

17.5.1 股票价格预测的基础数据

17.5.2 特征选择(Feature Selection)

17.5.3 模型的组合(Model Combination)

17.5.4 离线的模型训练(Offline Model Training)

17.5.5 使用大数据处理引擎处理大数据(using of Big Data Engine)

17.5.6 在交易模型中集成情感分析结果(Integrating Sentiment Analysis into Trading Model)

17.6 思考题

 

18 附录

18.1 参考文献

18.2 专有名词