本书聚焦于个人层面的信用违约技术研究、风险预警与监控系统的实现，但其中的技术也可以便捷地应用于企业征信。全书由浅入深、循序渐进地讲述了大数据时代下的征信技术。 全书分为三个部分，第一部分是基础技术研究，介绍了征信业务中多源、多模态数据的融合 方法，以及大数据征信模型的归因分析与解释性研究；第二部分是信用评估技术研究，包括 大数据征信场景下时序数据的挖掘与分析，违约风险评估预警技术，以及不同区域的差异性 对于信用情况的影响；第三部分聚焦于信用评估系统研发，从全局角度描述了一个信用评估 与监控预警系统的实现。

本书聚焦于个人层面的信用违约技术研究、风险预警与监控系统的实现，但其中的技术也可以便捷地应用于企业征信。全书由浅入深、循序渐进地讲述了大数据时代下的征信技术。 全书分为三个部分，第一部分是基础技术研究，介绍了征信业务中多源、多模态数据的融合 方法，以及大数据征信模型的归因分析与解释性研究；第二部分是信用评估技术研究，包括 大数据征信场景下时序数据的挖掘与分析，违约风险评估预警技术，以及不同区域的差异性 对于信用情况的影响；第三部分聚焦于信用评估系统研发，从全局角度描述了一个信用评估 与监控预警系统的实现。

本书详细讲解了大数据应用案例（含可运行程序），涉及计算机视觉基础案例分析、视觉大数据检索及识别相关的工程应用，包含了音视频处理、目标检测、图像识别等行业应用案例，作者从项目实战出发，对视觉大数据工程应用的算法设计、程序实现、部署实施进行详细叙述，可方便读者进行相关知识点的程序化调试及工程复用。本书以案例为基础，结构布局紧凑，内容深入浅出，实验简捷高效，适合计算机、信号通信和自动化等相关专业的教师、本科生、研究生，以及广大从事大数据处理的工程研发人员阅读参考。

本书详细讲解了大数据应用案例（含可运行程序），涉及计算机视觉基础案例分析、视觉大数据检索及识别相关的工程应用，包含了音视频处理、目标检测、图像识别等行业应用案例，作者从项目实战出发，对视觉大数据工程应用的算法设计、程序实现、部署实施进行详细叙述，可方便读者进行相关知识点的程序化调试及工程复用。本书以案例为基础，结构布局紧凑，内容深入浅出，实验简捷高效，适合计算机、信号通信和自动化等相关专业的教师、本科生、研究生，以及广大从事大数据处理的工程研发人员阅读参考。

这是一本讲解如何基于Hadoop技术栈进行大数据挖掘和分析的著作。它能带领你零基础快速掌握Hadoop技术栈，以及基于它的大数据挖掘与分析的流程和方法。 　　　　 全书核心内容分为两部分。 　　　　 1）Hadoop技术栈：详细讲解了Hadoop、Hive、HBase、Spark、Flume、Kafka等大数据技术的基础、原理、应用，通过这部分内容读者能对Hadoop技术栈有从宏观到微观的了解。 　　　　 2）Hadoop大数据挖掘：通过3个综合案例，逐步展示了基于Hadoop的大数据挖掘的完整流程和方法。 　　　　 几位作者在大数据项目研发、教育、咨询等领域有10余年的丰富经验，对教育界和企业界供需两端的了解非常深入，全书的结构和内容围绕这两端的需求尽心设计，能让Hadoop大数据挖掘与分析的教育和学习事半功倍。 　　　　 本书第1版出版后，获得了教育界和企业界的良好反馈，其中数十家高等院校采用本书作为教材或参考书。第2版在第1版的基础上，在技术适应性、案例实用性等方面做了大量更新，与时俱进，更有竞争力！ 　　　　 为了便于学习和教学，本书配套数据文件、实现代码、课后习题、教学PPT。

本书提供了大数据相关技术的简介、原理、实践、企业应用等，针对大数据相关技术，如Hadoop、HBase、Hive、Spark等，都有专业章节进行介绍，并且针对每一模块都有相应的动手实践，能有效加深读者对大数据相关技术原理、技术实践的理解。书中的挖掘实践篇涉及企业在大数据应用中的所有环节，如数据采集、数据预处理、数据挖掘等，通过案例对整个系统的架构进行了详细分析，对读者有一定实践指导作用。对于学习大数据相关技术的高校师生来说，本书不仅提供了大数据相关技术的基础讲解及原理、架构分析，还针对这些原理，配备有对应的动手实践章节，帮助读者加深对原理、架构的认识。同时，在每个模块结束后，书中会有一个相对独立的企业应用案例，帮助读者巩固学到的大数据技术相关知识。

本书提供了大数据相关技术的简介、原理、实践、企业应用等，针对大数据相关技术，如Hadoop、HBase、Hive、Spark等，都有专业章节进行介绍，并且针对每一模块都有相应的动手实践，能有效加深读者对大数据相关技术原理、技术实践的理解。书中的挖掘实践篇涉及企业在大数据应用中的所有环节，如数据采集、数据预处理、数据挖掘等，通过案例对整个系统的架构进行了详细分析，对读者有一定实践指导作用。对于学习大数据相关技术的高校师生来说，本书不仅提供了大数据相关技术的基础讲解及原理、架构分析，还针对这些原理，配备有对应的动手实践章节，帮助读者加深对原理、架构的认识。同时，在每个模块结束后，书中会有一个相对独立的企业应用案例，帮助读者巩固学到的大数据技术相关知识。

本书从大数据架构的角度全面解析大数据技术及算法，探讨大数据的发展和趋势。不仅对大数据相关技术及算法做了系统性的分析和描述，梳理了大数据的技术分类，如基础架构支持、大数据采集、大数据存储、大数据处理、大数据展示及交互，还融合了大数据行业的最新技术进展和大型互联网公司的大数据架构实践，努力为读者提供一个大数据的全景画卷。

无数据，不AI。而没有统一完整的基础数据资源平台管理，AIOps也无从谈起。基础运维数据资源平台是AIOps的数据基石，也是未来支撑企业数据战略的两大数据平台之一。构建数据平台需要数据治理工作的保驾护航。然而在运维数据治理领域开展数据治理工作尚属空白，缺乏理论体系支撑和值得借鉴的成功经验。本书在分析运维数据治理与传统数据治理的差异化特点基础上，对于数据治理的DAMA理论体系在运维数据管理领域实现了在广义元数据管理、广义数据标准、广义数据模型等理论突破，创造性的提出运维数据模型建设，为运维数据治理构建了体系化理论并提供了具有方法论支撑的完整蓝图。同时，就运维数据平台建设本书也分享了基于数据模型实体库的概要设计，以数据湖为基础，包含运维数据中台建设的架构规划。本书还在工业运维领域略作延展，分析工业运维数据模型的差异化特点，就包括数字孪生、时空数据等关键工业技术为核心的物理融合技术做了介绍，提出了开展智能工业运维的必要内容。