本书按照大数据开发流程，系统介绍了大数据项目开发时所需的环境搭建技术，包括环境搭建准备、协调组件与核心组件配置、数据存储组件配置、数据处理组件配置、数据分析组件配置以及其他组件配置，并通过实际操作案例详细直观地介绍了具体实现过程。本书通俗易懂、结构清晰，内容层层递进，理论与实践相结合，通过大量实战案例，引导读者逐步深入学习，从而全面掌握大数据环境搭建的相关技术。
本书可作为各类职业院校大数据技术等相关专业的教材，也可作为大数据爱好者及相关技术人员的参考用书。
本书配有电子课件等教学资

随着云计算、大数据、物联网、人工智能和区块链等IT 技术的发展与应用，信息技术不断驱动社会生产方式的变革，人类进入机器智能时代。近年来，大数据处理技术已经广泛地渗透到各行各业，大数据分析与应用的教学工作也逐渐成为高校中的重中之重，这是大数据时代下的必然趋势。
本书从实际应用出发，结合具体案例及应用场景，深入浅出地介绍大数据处理预备知识、Python 技术基础、大数据处理常用模块、大数据采集技术、大数据处理算法以及文本挖掘与应用等。从环境搭建到数据采集可视化，从数据预处理到特征选择与模型训练

本书为国家职业教育大数据技术专业教学资源库配套教材。 本书面向高职高专学生编写，介绍数据存储与分析的基础知识，本书内容共分6章，包括绪论、大数据存储与管理、HDFS存储操作、MapReduce架构原理、Hive架构原理以及离线分析集群调优。本书知识结构，无论是内容组织还是案例选取都充分考虑了高职院校学生的认知规律，利于教学实施。 本书配有微课视频、课程标准、授课计划、授课用PPT、案例素材等丰富的数字化学习资源。与本书配套的数字课程“数据存储与分析”已在“智慧职教”网站（www.

内 容 提 要
在电子商务领域，卖家常常通过对数据进行专业分析，挖掘其内在的价值，发现新的商机，扩大市场份额。本书以提高读者的电子商务数据分析能力为宗旨，以帮助读者解决电子商务运营过程中涉及的数据分析问题为目标，注重理论知识的系统性，强调案例内容的实用性。通过对本书的学习，读者不仅能够了解如何开展电子商务数据分析，还可以学会具体的操作方法。共分为10个章节，主要内容包括：绪论、电子商务数据采集与处理、电子商务市场数据分析、电子商务竞争店铺数据分析、电子商务商品数据分析、电子商务数

本书从电子商务数据分析的主要业务入手，系统地介绍了利用 Excel 对电子商务数据进行分析的常用方法。全书共10章，主要内容包括基础认知：电商数据分析概述；数据管理：店铺数据的获取、处理与输出；市场分析：了解市场，百战百胜；商品分析：精准定位，优化运营；流量分析：高效引流，提高销量；进货分析：采购商品，控制成本；销售分析：直面难题，提高利润；库存分析：做好预警，减少积压；顾客分析：聚焦需求，精准促销；综合分析：撰写报告，有理有据。
本书内容丰富、图文并茂、实战性强，强化数据化思

本书第1章为大数据概述，介绍大数据的基本概念和应用领域，回顾大数据理念和技术的发展历程，阐述大数据的发展前景。第2~7章介绍大数据采集与预处理、大数据计算平台、大数据管理、数据挖掘、大数据隐私与安全和人工智能6个大数据领域及其中的主要技术。第2章主要介绍大数据采集技术，包括大数据的来源、采集方法及数据预处理方法等，*后对大数据采集应用案例进行分析，帮助读者更好地理解大数据采集技术。第3章介绍大数据处理架构Hadoop以及与大数据技术密不可分的云计算技术及其应用。由于Hadoop已经成为应用

《Hadoop大数据技术基础（Python版）微课视频版》从初学者角度出发，通过丰富的示例和实战项目，详细讲解大数据开发环境、关键技术及其应用。全书共分10章，第1~9章的内容分别为大数据概述、Linux系统的安装与使用、Python 3语言基础、Hadoop开发环境、HDFS技术、MapReduce技术、Hive数据仓库、HBase分布式数据库、Sqoop工具，第10章详细解析了实战项目货运车分布分析平台，帮助初学者快速入门。本书所有知识点都结合具体的编程示例，对于重要知识点提供视频讲解

《大数据开发基础与实践(微课版）》从初学者角度详细介绍了大数据开发的基础知识和对应的项目开发实践。全书共七个项目开发案例。第一个项目是大数据集群环境搭建，包括Linux虚拟机、JDK环境、Zookeeper、Hadoop、HBase、Spark等平台的安装和配置；第二个项目是数据仓库构建，包括MySQL、Hive的安装与配置；第三个项目是Java访问Hadoop实践，包括Java访问HDFS文件系统和MapReduce编程实践；第四个项目是大数据采集实践，包括利用Python编程语言、Re

本书结合典型的数据挖掘案例，详细介绍了若干种重要的数据挖掘算法的实现原理和应用方法。其中，第1、2章介绍了回归、 分类、聚类的概念及其实现的主要方法，如线性回归、逻辑回归、K近邻和K均值；第3~5章介绍了数据挖掘的主要策略，如决策树、提升算法和支持向量机； 在前述知识的基础上，第6~8章介绍了实现人工智能算法的三种基础网络结构，即人工神经网络、卷积神经网络、 长短时记忆网络。 通过阅读本书，读者既可以理解各种数据挖掘算法的实现原理，又可以掌握将算法应用于实际数据挖掘的一般流程和方法。

本书可作为普通高等院校计算机、数据科学与大数据专业的教材，也可作为数据分析行业从业人员的参考用书。