前言
第一篇　大数据基础知识
第1章　大数据的基本定义　/ 2
1.1　大数据分析的出现　/ 3
1.2　大数据如何发掘价值　/ 3
1.3　大数据处理的关键——数据类型　/ 5
1.4　大数据处理的微妙之处　/ 6
1.5　大数据环境下的处理分析工具　/ 7
1.6　智能数据时代到来　/ 10
第2章　数据的艺术　/ 12
2.1　评估可能性的艺术　/ 12
2.2　了解现状　/ 13
2.3　自我评估、完善度、信息架构　/ 14
2.4　愿景部署　/ 19
2.5　现在和将来的数据仓库　/ 20
2.6　实时建议和操作　/ 25
2.7　验证提出的愿景　/ 26
第3章　大数据：有所为有所不为　/ 28
3.1　大数据分析最佳实践　/ 28
3.2　从小做起　/ 29
3.3　关注大局　/ 30
3.4　避免最差实践　/ 30
3.5　步步为营　/ 32
3.6　学会利用异常数据　/ 34
3.7　速度与精度的抉择　/ 35
3.8　内存计算　/ 36
第二篇　大数据工具和技术
第4章　分布式世界中的设计　/ 42
4.1　可见性　/ 43
4.2　保持简单的重要性　/ 44
4.3　组合　/ 44
4.4　分布式状态　/ 49
4.5　CAP原则　/ 51
4.6　松耦合系统　/ 53
4.7　速度　/ 55
4.8　总结　/ 58
第5章　大数据分析工具　/ 59
5.1　Apache Hadoop　/ 59
5.2　Apache Spark　/ 69
5.3　NoSQL数据库　/ 73
5.4　MongoDB　/ 89
第三篇　数据管理
第6章　大数据的类型　/ 108
6.1　定义结构化数据　/ 109
6.2　探秘结构化数据来源　/ 109
6.3　关系数据库在大数据中扮演的角色　/ 110
6.4　非结构化数据　/ 111
6.5　内容管理系统在大数据管理中的作用　/ 112
6.6　实时和非实时条件　/ 113
6.7　大数据集成　/ 114
第7章　大数据的新范式：我们想要从大数据系统中获得什么　/ 116
7.1　稳定性和容错性　/ 116
7.2　横向扩容　/ 117
7.3　可扩展性　/ 117
7.4　即席查询　/ 117
7.5　最小化维护　/ 117
7.6　可调试性　/ 118
7.7　完全增量式架构　/ 118
7.8　操作复杂性　/ 119
7.9　极其复杂地实现最终一致性　/ 119
7.10　人为容错的缺陷　/ 121
7.11　Lambda架构　/ 121
第8章　数据管理　/ 125
8.1　数据管理成熟度评估　/ 125
8.2　元数据管理　/ 128
8.3　数据治理　/ 130
8.4　数据质量管理　/ 134
8.5　参考数据与主数据管理　/ 137
第四篇　数据工程
第9章　理解数据业务流程　/ 142
9.1　理解商业动机　/ 142
9.2　调查计划　/ 146
9.3　初步研究　/ 146
9.4　专家咨询　/ 146
9.5　识别关键成功因素　/ 147
9.6　优先考虑早期路线图的执行　/ 150
9.7　战略图谱　/ 154
第10章　大数据和云计算　/ 163
10.1　云计算的定义　/ 163
10.2　私有云与公有云计算　/ 165
10.3　IaaS典型平台——亚马逊云平台AWS　/ 165
10.4　PaaS典型平台　/ 172
10.5　SaaS典型平台　/ 176
第11章　数据收集　/ 179
11.1　收集一切　/ 179
11.2　为数据源设置优先级　/ 181
11.3　关联单独的数据　/ 182
11.4　如何收集数据　/ 184
11.5　数据采购　/ 186
11.6　数据保留　/ 190
第12章　数据质量和数据预处理　/ 191
12.1　数据质量：为什么要对数据做预处理　/ 191
12.2　数据预处理的主要工作　/ 192
第13章　数据安全和隐私　/ 195
13.1　数据收集：了解隐私的最前沿　/ 195
13.2　策略考虑因素　/ 196
13.3　实施考虑因素　/ 200
13.4　总结　/ 201
第五篇　数据科学
第14章　数据分析　/ 204
14.1　什么是分析　/ 205
14.2　分析的类型　/ 206
第15章　数据探索　/ 221
15.1　概要　/ 221
15.2　数据探索的目标　/ 222
15.3　数据集　/ 222
15.4　描述性统计　/ 225
15.5　数据可视化　/ 229
15.6　数据探索路线图　/ 240
第16章　大数据、数据科学和数据挖掘　/ 242
16.1　先验知识　/ 244
16.2　数据准备　/ 246
16.3　建模　/ 249
16.4　应用　/ 253
16.5　总结　/ 255
第六篇　构筑数据驱动型企业
第17章　建立数据驱动文化　/ 258
17.1　数据收集　/ 260
17.2　报告　/ 261
17.3　警报　/ 262
17.4　从报告到警报再到分析　/ 263
17.5　数据驱动的标志　/ 265
17.6　分析成熟度　/ 267
第18章　构建大数据团队　/ 271
18.1　数据科学家　/ 271
18.2　团队挑战　/ 272
18.3　不同的团队，不同的目标　/ 272
18.4　别忘了数据　/ 273
18.5　更多挑战　/ 274
18.6　团队与文化　/ 274
18.7　量化成就　/ 275
第七篇　大数据实战
第19章　大数据使用实例　/ 278
19.1　大数据的使用与意义　/ 279
19.2　案例：大数据在金融领域的应用　/ 283
19.3　案例：大数据在地产领域的应用　/ 298
第20章　大数据分析和数据驱动决策的思维实战　/ 309
20.1　无处不在的数据机会　/ 309
20.2　数据科学、数据工程和数据驱动决策　/ 312
20.3　数据处理和大数据　/ 314
20.4　从大数据1.0到大数据2.0　/ 314
20.5　数据和数据科学能力作为战略资产　/ 315
20.6　数据分析思维　/ 317
20.7　具备数据分析技能的管理者　/ 318
20.8　数据挖掘与数据科学　/ 319
20.9　化学反应不只限于试管：数据科学与数据科学家的工作　/ 320
20.10　总结　/ 321
第21章　结语
21.1　全面解读　/ 322
21.2　通往大数据之路　/ 323
21.3　思索大数据的真实一面　/ 324
21.4　大数据实践　/ 325
21.5　深度解读大数据处理流程　/ 325
21.6　大数据可视化　/ 329
21.7　大数据隐私　/ 330
· · · · · · (收起)