<內容簡介>
 
本書充滿了從多年投資與信貸業務中獲得的深刻的洞察，討論了廣泛的議題，包括：現金CDO違約相關性貸款與貸款擔保證券CDO權益級結構化產品CDO和擔保品概覽CDO套利新興市場和市值型CDO及合成型CDO以及更多相關的議題CDO為那些能夠理解其複雜性的人們提供了激動人心的機會。借助本書第2版的指導，讀者能夠理解並且利用這一變化的市場及其相關產品。

<章節目錄>

前言
基礎篇
第1章數據挖掘基礎2
1.1某知名連鎖餐飲企業的困惑2
1.2從餐飲服務到數據挖掘3
1.3數據挖掘的基本任務4
1.4數據挖掘建模過程4
1.4.1定義挖掘目標4
1.4. 2數據取樣5
1.4.3數據探索6
1.4.4數據預處理12
1.4.5挖掘建模14
1.4.6模型評價14
1.5餐飲服務中的大數據應用15
1.6小結15
第2章Hadoop基礎16
2.1概述16
2.1.1 Hadoop簡介16
2.1.2 Hadoop生態系統17
2.2安裝與配置19
2.3 Hadoop原理26
2.3.1 Hadoop HDFS原理26
2.3.2 Hadoop MapReduce原理27
2.3.3 Hadoop YARN原理28
2.4動手實踐30
2.5小結33
第3章Hadoop生態系統：Hive34
3.1概述34
3.1.1 Hive簡介34
3.1 .2 Hive安裝與配置35
3.2 Hive原理38
3.2.1 Hive架構38
3.2.2 Hive的數據模型40
3.3動手實踐41
3.4小結45
第4章Hadoop生態系統：HBase46
4.1概述46
4.1.1 HBase簡介46
4.1 .2 HBase安裝與配置47
4.2 HBase原理50
4.2.1 HBase架構50
4.2.2 HBase與RDBMS51
4.2.3 HBase訪問接口52
4.2.4 HBase數據模型53
4.3動手實踐54
4.4小結61
第5章大數據挖掘建模平臺62
5.1常用的大數據平臺62
5.2 TipDM-HB大數據挖掘建模平臺63
5.2.1 TipDM-HB大數據挖掘建模平臺的功能63
5.2.2 TipDM-HB大數據挖掘建模平臺操作流程及實例65
5.2.3 TipDM-HB大數據挖掘建模平臺的特點67
5.3小結68
第6章挖掘建模69
6.1分類與預測69
6.1.1實現過程69
6.1.2常用的分類與預測算法70
6.1.3決策樹71
6.1.4 Mahout中Random Forests算法的實現原理75
6.1.5動手實踐79
6.2聚類分析83
6.2.1常用聚類分析算法83
6.2.2 K-Means聚類算法84
6.2. 3 Mahout中K-Means算法的實現原理88
6.2.4動手實踐90
6.3關聯規則93
6.3.1常用的關聯規則算法93
6.3.2 FP-Growth關聯規則算法94
6.3.3 Mahout中Parallel Frequent Pattern Mining算法的實現原理98
6.3.4動手實踐100
6.4協同過濾102
6.4.1常用的協同過濾算法102
6.4.2基於項目的協同過濾算法簡介102
6.4.3 Mahout中Itembased Collaborative Filtering算法的實現原理103
6.4.4動手實踐106
6.5小結109
實戰篇
第7章法律諮詢數據分析與服務推薦112
7.1背景與挖掘目標112
7.2分析方法與過程114
7.2.1數據抽取120
7.2.2數據探索分析120
7.2.3數據預處理125