第1章 流數據與流計算
1．1 大數據
1．1．1 大數據的發展
1．1．2 大數據的概念
1．1．3 大數據思維
1．2 流數據
1．2．1 流數據的場景
1．2．2 流數據的特點
1．2．3 流數據的概念
1．3 流數據處理
1．3．1 批處理模型
1．3．2 流式處理模型
1．3．3 流式處理與窗口模型
1．3．4 流式處理與概要結構
1．3．5 批處理與流式處理的對比
1．4 流數據分析
1．4．1 頻繁項挖掘算法
1．4．2 聚類算法
1．4．3 分類算法
1．4．4 回歸算法
1．5 流數據機器學習
1．6 小結
本章知識點
擴展閱讀
習題1

第2章 流數據概要結構構建技術
2．1 流數據處理的概要結構
2．2 抽樣概要結構
2．2．1 抽樣
2．2．2 伯努利抽樣
2．2．3 水庫抽樣
2．2．4 簡明抽樣
2．3 草圖概要結構
2．3．1 草圖
2．3．2 計數草圖
2．3．3 增廣草圖
2．3．4 布隆過濾器
2．3．5 FM基數估計草圖
2．4 小波概要結構
2．5 直方圖概要結構
2．5．1 直方圖
2．5．2 等寬直方圖
2．6 小結
本章知識點
擴展閱讀
習題2

第3章 流數據頻繁模式挖掘技術
3．1 頻繁模式挖掘問題的定義
3．2 不同窗口模型的頻繁模式挖掘
3．3 頻繁項挖掘算法
3．3．1 黏性抽樣算法
3．3．2 KPS算法
3．4 頻繁模式挖掘算法
3．4．1 有損計數算法
3．4．2 有損計數算法擴展
3．5 頻繁模式挖掘的其他相關問題
3．6 小結
本章知識點
擴展閱讀
習題3

第4章 流數據聚類分析技術
4．1 聚類算法
4．2 流數據聚類的評價
4．2．1 內部度量
4．2．2 外部度量
4．3 不同窗口模型的聚類分析
4．4 基于劃分的流數據聚類算法
4．4．1 STREAM算法
4．4．2 K-Center算法
4．5 基于層次的流數據聚類算法
4．6 基于密度的流數據聚類算法
4．7 基于網格的流數據聚類算法
4．8 其他流數據聚類算法
4．8．1 K-Median算法
4．8．2 BIRCH算法
4．9 小結
本章知識點
擴展閱讀
習題4

第5章 流數據分類分析技術
5．1 。分類算法
5．2 流數據分類的評價
5．2．1 誤差估計
5．2．2 性能評價指標
5．2．3 統計顯著性
5．2．4 成本度量
5．3 基于貝葉斯的分類算法
5．4 基于決策樹的分類算法
5．4．1 快速決策樹算法
5．4．2 概念自適應快速決策樹算法
5．5 其他流數據分類算法
5．5．1 VFDTc和UFFT算法
5．5．2 Hoeffding自適應樹算法
5．6 小結
本章知識點
擴展閱讀
習題5

第6章 流數據學習與時間序列分析技術
6．1 時間序列
6．1．1 時間序列的分類與特征
6．1．2 時間序列的表示與擬合
6．1．3 時間序列的預測
6．2 在線學習模型
6．3 流數據學習評價
6．3．1 誤差
6．3．2 Regret界
6．4 模型學習算法
6．4．1 ARIMA算法
6．4．2 在線ARIMA算法
6．5 實例學習算法
6．5．1 嶺回歸與LASSO回歸
6．5．2 FIMT算法
6．5．3 AMRules算法
6．6 *優化算法
6．6．1 SGD算法
6．6．2 FTRL算法
6．7 小結
本章知識點
擴展閱讀
習題6

第7章 流數據處理模型與框架
7．1 流數據處理計算模型
7．2 流計算的狀態與一致性
7．2．1 流計算的狀態
7．2．2 流計算的一致性
7．3 流計算處理中的時間
7．4 流計算實現框架
7．5 Storm流處理框架
7．5．1 基于流的處理拓撲結構
7．5．2 記錄級容錯
7．5．3 Storm的系統架構
7．6 Spark流處理框架
7．6．1 基于RDD的微批處理結構
7．6．2 基于RDD依賴的容錯
7．6．3 Spark的系統架構
7．7 Flink流處理框架
7．7．1 基于流水線的處理結構
7．7．2 基于分布式快照的容錯
7．7．3 Flink的系統架構
7．8 小結
本章知識點
擴展閱讀
習題7
參考文獻