| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 相关研究工作 | 第13-28页 |
| 2.1 大数据与云计算 | 第13-15页 |
| 2.1.1 大数据及其带来的挑战 | 第13-14页 |
| 2.1.2 云计算技术 | 第14-15页 |
| 2.2 数据挖掘概述 | 第15-18页 |
| 2.2.1 数据挖掘概念及过程 | 第15-17页 |
| 2.2.2 数据挖掘常见的技术 | 第17-18页 |
| 2.3 Google文件系统 | 第18-20页 |
| 2.3.1 GFS简介 | 第18-19页 |
| 2.3.2 GFS的一个应用——BigTable | 第19-20页 |
| 2.4 Hadoop平台 | 第20-27页 |
| 2.4.1 Hadoop概述 | 第20-21页 |
| 2.4.2 HDFS研究 | 第21-23页 |
| 2.4.3 MapReduce研究 | 第23-26页 |
| 2.4.4 Hadoop的两个机制 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于Hadoop的Apriori改进算法 | 第28-40页 |
| 3.1 关联规则相关概念 | 第28-36页 |
| 3.1.1 关联规则概念 | 第28-29页 |
| 3.1.2 Apriori算法 | 第29-31页 |
| 3.1.3 Fp-Growth算法 | 第31-36页 |
| 3.2 基于Hadoop的Apriori改进算法设计 | 第36-39页 |
| 3.2.1 传统算法的缺陷 | 第36页 |
| 3.2.2 算法思想 | 第36-37页 |
| 3.2.3 算法模型 | 第37页 |
| 3.2.4 算法描述 | 第37-38页 |
| 3.2.5 算法流程 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 基于Hadoop的逻辑回归改进算法 | 第40-49页 |
| 4.1 线性回归 | 第40-41页 |
| 4.2 逻辑回归相关概念 | 第41-43页 |
| 4.3 基于Hadoop的逻辑回归改进算法设计 | 第43-48页 |
| 4.3.1 传统算法的缺陷 | 第43-44页 |
| 4.3.2 逻辑回归并行的可能性 | 第44页 |
| 4.3.3 逻辑回归并行实现 | 第44-46页 |
| 4.3.4 数据分片的并行处理 | 第46页 |
| 4.3.5 算法描述 | 第46-47页 |
| 4.3.6 算法流程 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 实验仿真 | 第49-61页 |
| 5.1 实验仿真 | 第49-53页 |
| 5.1.1 机器参数 | 第49页 |
| 5.1.2 Hadoop环境参数 | 第49-50页 |
| 5.1.3 SSH服务 | 第50-51页 |
| 5.1.4 Hadoop环境搭建 | 第51-53页 |
| 5.2 实验一基于Hadoop的Apriori改进算法 | 第53-57页 |
| 5.2.1 实验数据集和参数设置 | 第53-55页 |
| 5.2.2 实验及结果分析 | 第55-57页 |
| 5.3 实验二基于Hadoop的逻辑回归改进算法 | 第57-60页 |
| 5.3.1 实验数据集 | 第57页 |
| 5.3.2 实验及结果分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61页 |
| 6.2 进一步研究与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 致谢 | 第67页 |