| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·课题背景与研究意义 | 第9-10页 |
| ·大数据处理以及属性约简的发展现状 | 第10-12页 |
| ·大数据处理技术的研究现状 | 第10-11页 |
| ·粗糙集理论和属性约简的研究现状 | 第11-12页 |
| ·文章组织结构 | 第12-13页 |
| 第二章 粗糙集以及属性约简方法相关知识 | 第13-26页 |
| ·粗糙集理论 | 第13-16页 |
| ·粗糙集理论基本概念 | 第13-15页 |
| ·粗糙集理论决策信息系统 | 第15-16页 |
| ·邻域粗糙集理论 | 第16-19页 |
| ·邻域粗糙集 | 第16-18页 |
| ·基于邻域粗糙集的属性约简 | 第18-19页 |
| ·属性评价方法 | 第19-23页 |
| ·特征选择过程 | 第19-20页 |
| ·基于依赖度的属性评价方法 | 第20-21页 |
| ·基于一致性的属性评价方法 | 第21-22页 |
| ·其他评价方法 | 第22-23页 |
| ·搜索策略 | 第23页 |
| ·基于邻域粗糙集的依赖度评价方法的属性约简算法设计 | 第23-24页 |
| ·大数据的属性约简面临的问题分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 HADOOP技术应用 | 第26-34页 |
| ·开源云平台 HADOOP | 第26-28页 |
| ·HIVE | 第28-29页 |
| ·基于 HADOOP的分布式数据挖掘框架 | 第29-30页 |
| ·典型的日志分析事务实现 | 第30-32页 |
| ·性能分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于 MAPREDUCE 模型的并行机器学习算法研究 | 第34-45页 |
| ·MAPREDUCE相关知识介绍 | 第34-37页 |
| ·MAPREDUCE与其他系统相比 | 第35-36页 |
| ·MAPREDUCE工作机制 | 第36-37页 |
| ·MAPREDUCE编程模型 | 第37-39页 |
| ·链接 MAPREDUCE | 第39-40页 |
| ·基于 MAPREDUCE 的并行贝叶斯算法 | 第40-43页 |
| ·朴素贝叶斯分类器 | 第40-41页 |
| ·并行贝叶斯算法设计和实现 | 第41-43页 |
| ·基于 MAPREDUCE 的并行属性约简算法性能分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于 HADOOP的粗糙集属性约简算法的实现 | 第45-64页 |
| ·粗糙集属性约简算法并行化分析 | 第45页 |
| ·粗糙集属性约简算法并行化实现 | 第45-49页 |
| ·属性约简的算法的 MAPREDUCE框架 | 第45-46页 |
| ·属性约简算法的 MAPREDUCE 算法设计 | 第46-49页 |
| ·并行算法实现的关键技术 | 第49-57页 |
| ·自定义 KEY和 VALUE数据类型 | 第49-53页 |
| ·输入和输出格式 | 第53-54页 |
| ·全局变量 | 第54-55页 |
| ·使用 COMBINER 提升性能 | 第55-56页 |
| ·选择 REDUCER 的个数 | 第56-57页 |
| ·实验分析 | 第57-63页 |
| ·构建 HADOOP集群 | 第58-61页 |
| ·实验数据准备 | 第61页 |
| ·实验结果分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结和展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·下一步研究方向 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 | 第71页 |
