大数据是推动创新型**建设的重要战略资源。《大数据分析研究进展》从机器学习、可视分析、知识处理、数据挖掘等角度出发，详细讨论了大数据分析的相关基础理论和技术方法，主要包括：大数据机器学习理论与方法，大数据可视分析理论与方法，多源不确定数据挖掘方法与技术，自动深层化知识处理方法与技术，大数据分析平台、标准与应用示范等。《大数据分析研究进展》总结了部分代 表性工作，并呈现给读者。

目录 前言 第1章 绪论 1 1.1 大数据分析框架和科学问题 1 1.2 大数据研究内容与前沿进展 3 1.3 本书组织架构 8 第2章 大数据机器学习理论与方法 9 2.1 反绎学习：机器学习与逻辑推理的协同框架 9 2.1.1 机器学习与逻辑推理 9 2.1.2 什么是反绎 11 2.1.3 反绎学习框架 13 2.1.4 一个例子 15 2.1.5 小结 16 2.2 面向动态环境的在线学习 16 2.2.1 相关工作 18 2.2.2 *小化自适应遗憾的在线学习算法和理论 20 2.2.3 *小化动态遗憾的在线学习算法和理论 26 2.2.4 自适应遗憾和动态遗憾的内在关联 31 2.2.5 小结 34 2.3 针对复杂噪声分布数据的误差建模方法 34 2.3.1 误差建模原理简介 34 2.3.2 针对复杂i.i.d.（独立同分布）噪声数据的误差建模方法 38 2.3.3 针对复杂非i.i.d.噪声数据的误差建模方法 45 2.3.4 针对特定领域噪声数据的误差建模方法 52 2.3.5 未来发展趋势 55 参考文献 56 第3章 大数据可视分析理论与方法 61 3.1 数据可视化基础 61 3.1.1 数据可视化流程与框架 61 3.1.2 常见数据可视化方法 64 3.1.3 可视分析 65 3.2 复杂数据可视化 67 3.2.1 图片数据可视化 68 3.2.2 地理空间数据可视化 75 3.2.3 时间叙事可视化 81 3.2.4 小结 89 3.3 沉浸式可视呈现 89 3.3.1 叙事可视化创作 90 3.3.2 城市数据可视化 98 3.3.3 小结 106 3.4 可解释机器学习 106 3.4.1 模型理解 107 3.4.2 模型诊断 115 3.4.3 模型改进 122 3.4.4 小结 127 参考文献 128 第4章 多源不确定数据挖掘方法与技术 136 4.1 针对多源异构数据的多度量学习 136 4.1.1 多度量学习 136 4.1.2 应对动态异构成分的多度量学习 141 4.1.3 应对多样语义挑战的多度量学习 147 4.1.4 小结 154 4.2 围绕先验缺乏任务的数据挖掘 154 4.2.1 相关工作 155 4.2.2 考虑成本差异的主动知识获取 156 4.2.3 结合模型迁移的自适数据挖掘 166 4.2.4 小结 174 参考文献 175 第5章 自动深层化知识处理方法与技术 181 5.1 多模态下的知识挖掘 181 5.1.1 单模态下的知识抽取与关联 181 5.1.2 多模态语义对齐和多模态知识推断 189 5.1.3 多模态下的知识库表征及应用 201 5.1.4 小结 208 5.2 基于知识的智能应用 209 5.2.1 知识图谱上的实体关联搜索 209 5.2.2 知识库复杂问题理解 219 5.2.3 小结 228 参考文献 229 第6章 大数据分析平台、标准与应用示范 236 6.1 大数据分析平台与基准测试 236 6.1.1 大数据分析平台 236 6.1.2 视频基准测试集 240 6.1.3 小结 247 6.2 大数据标准制定 247 6.2.1 国内外标准化现状 247 6.2.2 开放共享标准研究 248 6.2.3 大数据系统标准研究 251 6.2.4 小结 254 6.3 大数据分析应用示范 254 6.3.1 大数据分析技术在智慧法院的应用示范 254 6.3.2 视频目标关联与快速检索应用示范 263 6.3.3 小结 272 参考文献 273 索引 277