Spark MLlib機器學習實踐（第2版）

目 錄第1章 星星之火 11.1 大數據時代 11.2 大數據分析時代 21.3 簡單、優(yōu)雅、有效——這就是Spark31.4 核心——MLlib 41.5 星星之火，可以燎原 61.6 小結 6第2章 Spark安裝和開發(fā)環(huán)境配置 72.1 Windows單機模式Spark安裝和配置 72.1.1 Windows 7安裝Java 72.1.2 Windows 7安裝Scala 102.1.3 Intellij IDEA下載和安裝 132.1.4 Intellij IDEA中Scala插件的安裝 142.1.5 HelloJava——使用Intellij IDEA創(chuàng)建Java程序 182.1.6 HelloScala——使用Intellij IDEA創(chuàng)建Scala程序 212.1.7 最后一腳——Spark單機版安裝 262.2 經典的WordCount292.2.1 Spark實現WordCount 292.2.2 MapReduce實現WordCount 312.3 小結 34第3章 RDD詳解 353.1 RDD是什么 353.1.1 RDD名稱的秘密 353.1.2 RDD特性 363.1.3 與其他分布式共享內存的區(qū)別 373.1.4 RDD缺陷 373.2 RDD工作原理 383.2.1 RDD工作原理圖 383.2.2 RDD的相互依賴 383.3 RDD應用API詳解 393.3.1 使用aggregate方法對給定的數據集進行方法設定 393.3.2 提前計算的cache方法 423.3.3 笛卡爾操作的cartesian方法 433.3.4 分片存儲的coalesce方法 443.3.5 以value計算的countByValue方法 453.3.6 以key計算的countByKey方法 453.3.7 除去數據集中重復項的distinct方法 463.3.8 過濾數據的filter方法 473.3.9 以行為單位操作數據的flatMap方法 473.3.10 以單個數據為目標進行操作的map方法 483.3.11 分組數據的groupBy方法 483.3.12 生成鍵值對的keyBy方法 493.3.13 同時對兩個數據進行處理的reduce方法 503.3.14 對數據進行重新排序的sortBy方法 513.3.15 合并壓縮的zip方法 523.4 小結 53第4章 MLlib基本概念 544.1 MLlib基本數據類型 544.1.1 多種數據類型 544.1.2 從本地向量集起步 554.1.3 向量標簽的使用 564.1.4 本地矩陣的使用 584.1.5 分布式矩陣的使用 594.2 MLlib數理統(tǒng)計基本概念 624.2.1 基本統(tǒng)計量 624.2.2 統(tǒng)計量基本數據 634.2.3 距離計算 644.2.4 兩組數據相關系數計算 654.2.5 分層抽樣 674.2.6 假設檢驗 694.2.7 隨機數 704.3 小結 71第5章 協同過濾算法 725.1 協同過濾 725.1.1 協同過濾概述 725.1.2 基于用戶的推薦 735.1.3 基于物品的推薦 745.1.4 協同過濾算法的不足 755.2 相似度度量 755.2.1 基于歐幾里得距離的相似度計算 755.2.2 基于余弦角度的相似度計算 765.2.3 歐幾里得相似度與余弦相似度的比較 775.2.4 第一個例子——余弦相似度實戰(zhàn) 775.3 MLlib中的交替最小二乘法（ALS算法） 805.3.1 最小二乘法（LS算法）詳解 815.3.2 MLlib中交替最小二乘法（ALS算法）詳解 825.3.3 ALS算法實戰(zhàn) 835.4 小結 85第6章 MLlib線性回歸理論與實戰(zhàn) 866.1 隨機梯度下降算法詳解 866.1.1 道士下山的故事 876.1.2 隨機梯度下降算法的理論基礎 886.1.3 隨機梯度下降算法實戰(zhàn) 886.2 MLlib回歸的過擬合 896.2.1 過擬合產生的原因 906.2.2 lasso回歸與嶺回歸 916.3 MLlib線性回歸實戰(zhàn) 916.3.1 MLlib線性回歸基本準備 916.3.2 MLlib線性回歸實戰(zhàn)：商品價格與消費者收入之間的關系 946.3.3 對擬合曲線的驗證 956.4 小結 97第7章 MLlib分類實戰(zhàn) 987.1 邏輯回歸詳解 987.1.1 邏輯回歸不是回歸算法 987.1.2 邏輯回歸的數學基礎 997.1.3 一元邏輯回歸示例 1007.1.4 多元邏輯回歸示例 1017.1.5 MLlib邏輯回歸驗證 1037.1.6 MLlib邏輯回歸實例：腎癌的轉移判斷 1047.2 支持向量機詳解 1067.2.1 三角還是圓 1067.2.2 支持向量機的數學基礎 1087.2.3 支持向量機使用示例 1097.2.4 使用支持向量機分析腎癌轉移 1107.3 樸素貝葉斯詳解 1117.3.1 穿褲子的男生or女生 1117.3.2 貝葉斯定理的數學基礎和意義 1127.3.3 樸素貝葉斯定理 1137.3.4 MLlib樸素貝葉斯使用示例 1147.3.5 MLlib樸素貝葉斯實戰(zhàn)：“僵尸粉”的鑒定 1157.4 小結 117第8章 決策樹與保序回歸 1188.1 決策樹詳解 1188.1.1 水晶球的秘密 1198.1.2 決策樹的算法基礎：信息熵 1198.1.3 決策樹的算法基礎——ID3算法 1218.1.4 MLlib中決策樹的構建 1228.1.5 MLlib中決策樹示例 1238.1.6 隨機雨林與梯度提升算法（GBT） 1258.2 保序回歸詳解 1278.2.1 何為保序回歸 1288.2.2 保序回歸示例 1288.3 小結 129第9章 MLlib中聚類詳解 1309.1 聚類與分類 1309.1.1 什么是分類 1309.1.2 什么是聚類 1319.2 MLlib中的Kmeans算法 1319.2.1 什么是kmeans算法 1319.2.2 MLlib中Kmeans算法示例 1339.2.3 Kmeans算法中細節(jié)的討論 1349.3 高斯混合聚類 1359.3.1 從高斯分布聚類起步 1359.3.2 混合高斯聚類 1379.3.3 MLlib高斯混合模型使用示例 1379.4 快速迭代聚類 1389.4.1 快速迭代聚類理論基礎 1389.4.2 快速迭代聚類示例 1399.5 小結 140第10章 MLlib中關聯規(guī)則 14110.1 Apriori頻繁項集算法 14110.1.1 啤酒與尿布 14110.1.2 經典的Apriori算法 14210.1.3 Apriori算法示例 14410.2 FP-growth算法 14510.2.1 Apriori算法的局限性 14510.2.2 FP-growth算法 14510.2.3 FP樹示例 14810.3 小結 149第11章 數據降維 15011.1 奇異值分解（SVD） 15011.1.1 行矩陣（RowMatrix）詳解 15011.1.2 奇異值分解算法基礎 15111.1.3 MLlib中奇異值分解示例 15211.2 主成分分析（PCA） 15311.2.1 主成分分析（PCA）的定義 15411.2.2 主成分分析（PCA）的數學基礎 15411.2.3 MLlib中主成分分析（PCA）示例 15511.3 小結 156第12章 特征提取和轉換 15712.1 TF-IDF 15712.1.1 如何查找所要的新聞 15712.1.2 TF-IDF算法的數學計算 15812.1.3 MLlib中TF-IDF示例 15912.2 詞向量化工具 16012.2.1 詞向量化基礎 16012.2.2 詞向量化使用示例 16112.3 基于卡方檢驗的特征選擇 16212.3.1 “吃貨”的苦惱 16212.3.2 MLlib中基于卡方檢驗的特征選擇示例 16312.4 小結 164第13章 MLlib實戰(zhàn)演練——鳶尾花分析16613.1 建模說明 16613.1.1 數據的描述與分析目標 16613.1.2 建模說明 16813.2 數據預處理和分析 17113.2.1 微觀分析——均值與方差的對比分析 17113.2.2 宏觀分析——不同種類特性的長度計算 17413.2.3 去除重復項——相關系數的確定 17613.3 長與寬之間的關系——數據集的回歸分析 18013.3.1 使用線性回歸分析長與寬之間的關系 18013.3.2 使用邏輯回歸分析長與寬之間的關系 18313.4 使用分類和聚類對鳶尾花數據集進行處理 18413.4.1 使用聚類分析對數據集進行聚類處理 18413.4.2 使用分類分析對數據集進行分類處理 18713.5 最終的判定——決策樹測試 18813.5.1 決定數據集的歸類——決策樹 18813.5.2 決定數據集歸類的分布式方法——隨機雨林 19013.6 小結 191