本书以计算思维能力的培养为主线，以素质教育和应用型人才的培养为目标，兼顾计算机基础知识的学习和问题求解能力的培养，力图做到夯实基础、重视实践、突出技能。本书在编写过程中，结合近几年计算机技术的发展，综合国内外同类教材的知识点，并参考了浙江省办公软件高级应用（二级）考试大纲和全国二级MS Office高级应用考试大纲，能够反映当代信息技术最新成果。全书内容主要包括计算机与计算思维、信息表示与编码、计算机系统、计算机网络、算法与简易编程工具Scratch、Word应用、Excel应用、PowerPoint应用等。本书概念清楚、逻辑清晰、内容全面、语言简练、图文并茂、讲练结合，且理论联系实际，能够切实提高学生的计算机素养和实践能力。本书既可作为以培养应用型人才为目标的独立学院、高职高专院校的教材，也可作为计算机培训班及自学者的参考书。

本书介绍了基于Excel的统计数据分析建模和模拟。本书涵盖了统计学中的基本理论和方法，如区间估计、假设检验、方差分析、回归分析和蒙特卡洛模拟等，同时介绍了线性规划、方案管理器和单变量求解等Excel工具的应用。本书的特色是每章都围绕一个实际问题，给出分析解决问题的全部过程以及Excel截屏，有利于读者学习Excel数据分析的方法，提高Excel数据处理能力。本书可作为MBA统计学课程的教材，也作为经济管理类本科生和研究生学习统计学和数据处理的参考资料。

本书以Excel 2016为蓝本，通过对ExcelHome技术论坛中上百万个提问的分析与提炼，汇集了用户在使用Excel 2016过程中最常见的需求，通过几百个实例的演示与讲解，将Excel高手的过人技巧手把手地教给读者，并帮助读者发挥创意，灵活有效地使用Excel来处理工作中的问题。书中介绍的Excel应用技巧覆盖了Excel的各个方面，全书共分为4篇25章，内容涉及Excel基本功能、Excel数据分析、函数与公式应用、图表与图形、VBA应用等内容，附录中还提供了Excel限制和规范、Excel常用快捷键等内容，方便读者随时查看。　本书内容丰富、图文并茂，可操作性强且便于查阅，能有效帮助读者提高Excel的使用水平，提升工作效率。　本书主要面向Excel的初、中级用户以及IT技术人员，对于Excel高级用户也具有一定的参考价值。

本书向读者介绍大数据处理与智能决策的入门知识，其特点在于摒弃了智能算法繁琐枯燥的数学推导，聚焦于知识的理解与实践，以培养读者的项目开发能力与工程实践能力为目标。本书的主要内容包括线性回归算法、聚类算法、分类算法的概况和典型算法的分析与实现，以及TensorFlow在大数据处理与智能决策中的经典应用。 本书介绍的算法和工具都需要动手实践才能更好地理解，因此在每种算法详解后都附有当前最常用的两种编程语言（Matlab和Python）示例，让读者边学边做，这样才能更好地掌握大数据处理与智能决策的基础知识。 本书没有过多的数学公式，简单易懂，可作为应用型本科和高等职业院校的教材， 也可作为对大数据处理与智能决策感兴趣的读者的入门级书籍。

1、本书通过典型案例的R语言实现，清晰解读教材中晦涩难懂的理论阐述与算法推导，让抽象的大数据落地到具体行业上，理论联系实际，实用性强。 2、实验指导书中所有案例均来自医疗大数据研究室项目和培训积累，并且结合课堂体验和学习效果，从中精挑细选的典型案例。 3、适合不同层次的读者。不仅适合高等院校的各相关专业的本专科生、研究生，也适合零编程基础的科研人员以及对大数据分析技术感兴趣的人士阅读。

本书是高校的大数据导论课程教材，清楚地介绍了大数据相关的概念、理论、术语与基础技术，并使用真实连贯的商业案例以及简单的图表，帮助读者更清晰地理解大数据技术。本书可作为高等院校相关专业“大数据基础”“大数据导论”等课程的教材，也可供有一定实践经验的软件开发人员、管理人员和所有对大数据感兴趣的人士阅读。

本书详细阐述了培养复合型大数据专业人才所需要的大数据相关知识。全书共9章，内容包括大数据概述、大数据与其他新兴技术的关系、大数据基础知识、大数据应用、数据采集与预处理、数据存储与管理、数据处理与分析、数据可视化、大数据分析综合案例。在大数据基础知识部分，本书详细介绍了与培养学生的数据素养相关的知识，包括大数据安全、大数据思维、大数据伦理、数据共享、数据开放和大数据交易。本书可以作为高等院校大数据专业的导论课教材，也可供相关技术人员参考。

本书从机器学习的概念与基本原理开始，介绍了机器学习及近年来流行的深度学习领域的经典模型。阅读本书可以让读者系统地了解机器学习和深度学习领域的基本知识，领会模型算法的思路与策略。　本书分为两篇，共18章。一篇为经典机器学习模型，主要介绍常用的机器学习经典模型，包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法，剖析神经网络的基本要素，并介绍常用的深度学习模型，包括感知机、卷积神经网络、循环神经网络、生成对抗网络。　本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富，语言通俗易懂，适合初入机器学习领域的“萌新”，也适合希望将机器学习算法应用到日常工作中的其他专业从业者，还可供对人工智能领域感兴趣的读者参考阅读。

《大数据处理技术与应用》对大数据的概念、挖掘、应用进行了系统的介绍，并且配备了相关的案例以及实际操作过程。这种理论与实践相结合的方式能够极大地帮助读者掌握大数据领域的相关理论知识。《大数据处理技术与应用》共分为10章，主要内容包含互联网大数据概述、互联网大数据采集与获取实战要领、做好数据预处理的实战方法、数据相关性分析与回归分析的黄金法则、如何利用关联规则进行大数据挖掘、大数据分析中的四种常见分类算法、大数据分析中的四种常见聚类算法，以及自组织神经网络算法与人工神经网络算法、互联网大数据分析应用——产品个性化推荐系统、大数据分析在具体行业中的应用等。《大数据处理技术与应用》知识体系完善且适用，可作为高等院校大数据、人工智能等相关专业课程的教材，也可作为从事数据挖掘、机器学习工作以及其他相关工程技术工作人员的参考书。

本书作为大学公共通识课教材，为文科及理工科学生选修大数据课程编写，主要面向大数据应用型人才培养。共分为7章，第1章讲述大数据技术的发展与社会价值；第2章讲述大数据系统的基本结构；第3章至第5章按大数据系统的处理过程分别讲述大数据系统输入、大数据系统处理、大数据系统输出；第7章至第8章讲述大数据分析与数据挖掘、大数据隐私与安全。 书内各章都附有习题、大数据分析案例，以帮助读者学习理解和实际工程应用。随书配套有开放的全书教学课件（PowerPoint文件）、教学大纲、教学计划、以便教师使用。