| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-13页 |
| ·课题背景与研究意义 | 第8-9页 |
| ·大数据和属性简约的研究现状 | 第9-12页 |
| ·大数据处数据挖掘的现状 | 第9-10页 |
| ·粗糙集以及属性约简的研究现状 | 第10-12页 |
| ·论文的结构 | 第12-13页 |
| 第2章 粗糙集相关理论知识 | 第13-22页 |
| 2．1 粗糙集理论 | 第13-16页 |
| ·粗糙集的基本概念 | 第13-15页 |
| ·粗糙集决策信息系统 | 第15-16页 |
| ·领域粗糙集理论 | 第16-18页 |
| ·邻域粗糙集 | 第16-18页 |
| ·基于邻域的特征选择 | 第18页 |
| ·属性评价的相关方法 | 第18-20页 |
| ·特征选择 | 第18-19页 |
| ·基于依赖度的属性评价 | 第19-20页 |
| ·依赖度评价方法的约简算法设计 | 第20-21页 |
| ·BigData属性约简的问题 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第3章Hadoop技术及其应用 | 第22-30页 |
| ·云平台Hadoop | 第22-23页 |
| ·Hadoop技术核心HIVE | 第23-25页 |
| ·基于Hadoop的分布式数据挖掘框架 | 第25-26页 |
| ·Rackspace日志处理 | 第26-28页 |
| ·框架性能分析 | 第28页 |
| ·本章小结 | 第28-30页 |
| 第4章 基于MapReduce模型的并行机器学习编程研究 | 第30-41页 |
| ·MapReduce简介 | 第30-33页 |
| ·MapReduce的特征 | 第31-32页 |
| ·MapReduce工作流程机制 | 第32-33页 |
| ·MapReduce编程模型 | 第33-36页 |
| ·MapReduce链接 | 第36-37页 |
| ·并行模型下的Bayes算法 | 第37-40页 |
| ·Naive Bayes分类器 | 第37-38页 |
| ·Bayes算法的并行设计 | 第38-40页 |
| ·MapReduce模型中约简算法复杂度分析 | 第40页 |
| ·本章小结 | 第40-41页 |
| 第5章 云环境下的属性简约算法的实现 | 第41-56页 |
| ·并行化的简约算法的剖析 | 第41-42页 |
| ·并行属性简约算法的实现过程 | 第42-46页 |
| ·并行属性约简的算法的MapReduce架构 | 第42页 |
| ·属性约简算法的MapReduce过程实现 | 第42-46页 |
| ·并行算法实现的关键技术 | 第46-52页 |
| ·自定义的key和value的数据类型 | 第46-48页 |
| ·输入和输出格式 | 第48-49页 |
| ·全局变量 | 第49-51页 |
| ·使用Combiner提升性能 | 第51-52页 |
| ·实验验证及分析 | 第52-55页 |
| ·建立Hadoop云计算平台 | 第53页 |
| ·实验的样本数据 | 第53-54页 |
| ·实验结果 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-57页 |
| ·论文的工作总结 | 第56页 |
| ·展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 个人简历及在学期间的研究成果和发表的学术论文 | 第60页 |