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。

本书共分为5章理论知识和3个课程实验，深入浅出地介绍了视讯技术的基本概念和原理。第1章视频监控系统的基础知识主要介绍了视频监控系统的基本概念、常用的术语、涉及的主要技术及发展趋势。第2章摄像机原理及实训主要介绍了摄像机的基本概念、常用的术语、摄像机的分类、配置及维护。第3章NVR原理及实训主要介绍了NVR的基本概念、原理、业务配置与管理、常见故障定位与排除。第4章商业解决方案主要介绍了商业监控系统的概念、原理、常见平台功

本书以THJDQG-1型自动化生产线和YL-335B型自动化生产线实训装置为载体，分为上篇和下篇，主要内容是自动化生产线实训装置各个工作单元的安装与调试。本书坚持“理论够用、实践为主”原则，把专业知识与技能训练有机相结合，让学生“做中学、学中做”，老师“做中教、教中做”，真正体现了“以学生为中心，以能力为本位”的职业教育理念，将机械安装、传感技术、PLC控制技术、变频控制技术、步进控制技术、伺服控制技术、网络控制技术等相关技术有效嵌入各个任务中，以培养学生电路识图与安装、PLC控制系统的编程、变

本书详细介绍了数据科学领域的相关智能技术，包括数据分析、基本学习算法、模糊逻辑、人工神经网络、基因算法和进化计算、使用R语言进行大数据分析等。本书可以作为高等院校计算机专业本科生和研究生，以及其他专业研究生的人工智能课程的教材，也可以作为相关教师和数据分析技术人员的参考书。

《大数据导论》内容包括大数据基础、大数据下的云计算、大数据处理、数据统计与分析、大数据安全、数据可视化、大数据与社交媒体的融合、大数据促进电子病历的改革、大数据在旅游业中的应用、大数据在金融业的应用和大数据在制造业的应用，既包括大数据的基本知识，也涵盖大数据在典型行业的具体应用，读者通过学习能更深入地认识和掌握大数据的应用价值。书中每章都设有习题与实践，便于巩固所学内容。
《大数据导论》是为高等院校各专业学习大数据基本课程而设计编写的，既能满足人文社会科学学科的相关专业需求，也可以满足理工

　　《数据挖掘与应用：以SAS和R为工具（第二版）》是数据挖掘领域的经典教材，基于北京大学光华管理学院“数据挖掘与应用”课程。书中系统、全面地介绍了数据挖掘领域的理论、技术工具以及实践方法。主要内容包括：数据挖掘方法论、数据理解和数据准备、缺失数据、关联规则挖掘、多元统计降维、聚类分析、线性回归和广义线性回归、回归模型规则化、神经网络、决策树、支持向量机、模型评估、模型组合、协同过滤等。
　　书中在每种数据挖掘技术后，均辅以大量医疗、金融、营销、保险、政府部门等应用案例，并均配有相关