本书分成三个部分。第一部分简要地介绍大数据流挖掘，包含三章。前两章介绍大数据流及其基本挖掘方法。后一章是MOA上手指南，读者可以作为参考，自行探索MOA。第二部分详细地展现了数据流挖掘中的常见问题和重要算法。由于涉及的知识面广阔，本书优先讲解MOA中已涵盖的算法。该部分第一章提到了sketch技巧，本书认为数据流挖掘领域人员很有必要对该技巧加以了解。大部分章节合有一套练习题或MOA上手教程，或两者兼具。第三部分全篇讲解MOA，从用户界面开始，到命令行和API，最后讲解如何实现新方法。

阿尔伯特·比费特（Albert Bifet）是巴黎高等电信学院的计算机科学教授，数据、智能和图形组的负责人，他的研究兴趣主要集中在人工智能、大数据科学和数据流的机器学习方面。Richard Gavala是加泰罗尼亚理工大学的计算机科学教授。Geoffrey Holmes是，Im卡托大学的计算机科学系主任和教授。Bernhard Pfahringer是奥克兰大学的计算机科学教授。

译者序
前言
第一部分 概述
第1章 简介
1.1 大数据
1.1.1 工具：开源革命
1.1.2 大数据带来的挑战
1.2 实时分析
1.2.1 数据流
1.2.2 时间和内存
1.2.3 应用一览
1.3 关于本书
第2章 大数据流挖掘
2.1 算法
2.2 分类算法
2.2.1 如何在数据流中评估分类器
2.2.2 多数类分类器
2.2.3 无变化分类器
2.2.4 惰性分类器
2.2.5 朴素贝叶斯分类器
2.2.6 决策树分类器
2.2.7 集成分类器
2.3 回归算法
2.4 聚类算法
2.5 频繁模式挖掘
第3章 MOA的实际操作介绍
3.1 入门开始
3.2 分类模型的图形用户界面
3.3 用命令行操作
第二部分 数据流挖掘
第4章 数据流和Sketch数据结构
4.1 背景知识：近似算法
4.2 集中不等式
4.3 取样
4.4 统计总数
4.5 去重统计
4.5.1 线性计数
4.5.2 科恩对数计数器
4.5.3 Flajolet-Martin计数器和HyperLogLog算法
4.5.4 应用：图论的计算距离函数
4.5.5 讨论：对数与线性
4.6 频率问题
4.6.1 SpaceSaving sketch
4.6.2 CM-Sketch算法
4.6.3 CountSketch算法
4.6.4 时刻计算
4.7 滑动窗口的指数矩形图
4.8 分布式sketch计算的可合并性
4.9 一些技术方面的讨论和其他资料
4.9.1 哈希函数
4.9.2 创建(ε, δ)近似算法
4.9.3 其他sketch技术
4.10 练习
第5章 处理变化
5.1 数据流中变化的定义
……
第三部分 MOA软件
参考文献