本书阐述词法分析、文本分类、文本聚类、文本检索、垃圾邮件过滤、情感分析、个性化推荐等文本分析与文本挖掘方面的理论方法。人工智能技术与互联网的发展更是为该领域研究提出新的需求，书中相关理论和技术可以直接用于解决具体文本分析与文本挖掘的问题，也可以为进一步研究提供理论方法基础。本书包括理论、技术，既适合理论方法的学习，又适合工程实践。本书配套软件、更多案例、技术文档、配套PPT课件等请登录和查询。

本书共分6个项目，项目1为Hadoop导入，主要介绍了Hadoop的作用、特点、发展情况，并详细介绍了Hadoop伪分布式搭建及使用方法；项目2主要对Hadoop的核心元素、接口操作进行了细致讲解；项目3对为实现Hadoopha所需的Zookeeper的架构、部署等进行了解释；项目4至项目6详细介绍了Hadoop生态圈中的几个核心组件——分布式存储数据库(HBase)、数据迁移神器(Sqop)、数据采集神器(Fume)以及数据仓库(Hive)，在介绍这几个核心组件的同时也融入了对于大数

本书分基础技术篇、计算篇和进阶篇，共9章内容，分别为：引言、分布式存储、分布式资源管理与调度、传统HPC并行计算、数据并行编程框架、sql处理框架、执行层优化、sql优化和特定应用的数据处理框架。本书既可共高校相关专业教学使用，也可供大数据领域工程师或者有志于大数据领域工作或研究的科技人员使用。

全书内容分为大数据系统基础、Hadoop技术、Spark技术和项目实战4部分。其中，Linux是学习大数据技术的基础，先从Linux入手，打下坚实的基础，之后才能更好地学习Hadoop和Spark。4部分内容分别介绍如下。
　　大数据系统基础篇通过大数据概述、Linux系统安装、Linux系统基础命令、Shell编程和MySQL数据操作，为以后编程奠定坚实的基础。
　　Hadoop技术篇以Hadoop生态圈为中心，详细介绍Hadoop高可用集群搭建、HDFS技术、MapReduce技

本书通过原理加案例的方式系统地讲解了Hadoop大数据开发，让读者能够全面地了解大数据开发流程。书中精心安排了原理分析、环境搭建、案例开发等多个过程，使读者对解决大数据问题有清晰的思路。全书共7章：前6章系统讲解大数据Hadoop架构，包括大数据处理平台Hadoop、分布式文件系统HDFS、并行计算模型MapReduce、资源调度框架Yarn；第7章是MapReduce应用实例，通过案例帮助读者进一步理解Hadoop平台。全书突出3个特点：道理简单明了、思路清晰透彻、案例新颖

非结构化数据是与结构化数据相对应的概念。结构化数据具有固定的格式，看上去非常规整。与结构化数据相反，非结构化数据是指无固定格式的数据，例如，文本、网页、图像、视频、数据流、序列、社交网络、图结构等。现有数据中绝大多数数据都是非结构化数据。
本书介绍了四种典型非结构化数据的分析和挖掘技术，分别是：文本数据、社交网络数据、数据流数据和多媒体数据（包括图像、音频和视频）。为了便于读者学习，大部分内容除了理论讲解之外，还给出了相应的在大数据环境下的上机实践案例。

本书在介绍R软件基本功能的基础上，介绍了数据挖掘十大经典算法的基本原理及相应的R语言实现范例，旨在使读者能够仿照范例快速掌握大数据分析的方法，从高维海量数据中挖掘有用的信息，使用合适的数据挖掘算法，解决实际问题。全书内容共12章，分别介绍R软件的使用方法、C4.5算法、k-means算法、CART算法、Apriori算法、EM算法、PageRank算法、AdaBoost算法、kNN算法、Naive Bayes算法、SVM算法及各算法的案例分析。本书理论部分简单明了，所有程序均经过R软件实际运行。

本书作者比尔·钱伯斯和马太·扎哈里亚在强调Spark 2.0的改进和新功能的同时，将Spark题分为不同的部分，每个部分都有其独特的目标。你将探索Spark的结构化API的基本操作和常见功能以及Structured Streaming，后者是用于构建端到端流应用的一种全新的高层API。开发人员和系统管理员会学Spark监控、调优、调试的基础知识，探索机器学习技术以及Spark可扩展机器学习库MLlib的部署场景。