編輯推薦:Apache Spark是一個分布式計算框架，專為滿足低延遲任務(wù)和內(nèi)存數(shù)據(jù)存儲的需求而優(yōu)化?，F(xiàn)有并行計算框架中，鮮有能兼顧速度、可擴展性、內(nèi)存處理以及容錯性，同時還能簡化編程，提供靈活、表達力豐富的強大API的，Apache Spark就是這樣一個難得的框架。

本書介紹了Spark的基礎(chǔ)知識，從利用Spark API來載入和處理數(shù)據(jù)，到將數(shù)據(jù)作為多種機器學(xué)習(xí)模型的輸入。此外還通過詳細的例子和現(xiàn)實應(yīng)用講解了常見的機器學(xué)習(xí)模型，包括推薦系統(tǒng)、分類、回歸、聚類和降維。另外還介紹了一些高階內(nèi)容，如大規(guī)模文本數(shù)據(jù)的處理，以及Spark Streaming下的在線機器學(xué)習(xí)和模型評估方法。

如果你是一名Scala、Java或Python開發(fā)者，對機器學(xué)習(xí)和數(shù)據(jù)分析感興趣，并想借助Spark框架來實現(xiàn)常見機器學(xué)習(xí)技術(shù)的大規(guī)模應(yīng)用，那么本書便是為你而寫。有Spark的基礎(chǔ)知識，但并不要求你有實踐經(jīng)驗。

通過學(xué)習(xí)本書，你將能夠：

用Scala、Java或Python語言編寫你的一個Spark程序；

獲取公開的機器學(xué)習(xí)數(shù)據(jù)集，以及使用Spark對數(shù)據(jù)進行載入、處理、清理和轉(zhuǎn)換；
借助Spark機器學(xué)習(xí)庫，利用協(xié)同過濾、分類、回歸、聚類和降維等常見的機器學(xué)習(xí)模型來編寫程序；
編寫Spark函數(shù)來評估你的機器學(xué)習(xí)模型的性能；
了解大規(guī)模文本數(shù)據(jù)的處理方法，包括特征提取和將文本數(shù)據(jù)作為機器學(xué)習(xí)模型的輸入；
探索在線學(xué)習(xí)方法，利用Spark Streaming來進行在線學(xué)習(xí)和模型評估。

內(nèi)容簡介:《Spark機器學(xué)習(xí)》每章都設(shè)計了案例研究，以機器學(xué)習(xí)算法為主線，結(jié)合實例探討了Spark 的實際應(yīng)用。書中沒有讓人抓狂的數(shù)據(jù)公式，而是從準備和正確認識數(shù)據(jù)開始講起，全面涵蓋了推薦系統(tǒng)、回歸、聚類、降維等經(jīng)典的機器學(xué)習(xí)算法及其實際應(yīng)用。

作者簡介:Nick Pentreath是Graphflow公司聯(lián)合創(chuàng)始人。Graphflow是一家大數(shù)據(jù)和機器學(xué)習(xí)公司，專注于以用戶為中心的推薦系統(tǒng)和客戶服務(wù)智能化技術(shù)。Nick擁有金融市場、機器學(xué)習(xí)和軟件開發(fā)背景，曾任職于高盛集團，之后去在線廣告營銷創(chuàng)業(yè)公司Cognitive Match Limited（倫敦）擔任研究科學(xué)家，后又去非洲更大的社交網(wǎng)絡(luò)Mxit領(lǐng)導(dǎo)數(shù)據(jù)科學(xué)與分析團隊。Nick是Apache Spark項目管理委員會成員之一。

目錄:第1 章 Spark 的環(huán)境搭建與運行 1
1．1 Spark 的本地安裝與配置 2
1．2 Spark 集群 3
1．3 Spark 編程模型 4
1．3．1 SparkContext類與SparkConf類 4
1．3．2 Spark shell 5
1．3．3 彈性分布式數(shù)據(jù)集 6
1．3．4 廣播變量和累加器 10
1．4 Spark Scala 編程入門 11
1．5 Spark Java 編程入門 14
1．6 Spark Python 編程入門 17
1．7 在Amazon EC2 上運行Spark 18
1．8 小結(jié) 23
第2 章 設(shè)計機器學(xué)習(xí)系統(tǒng) 24
2．1 MovieStream 介紹 24
2．2 機器學(xué)習(xí)系統(tǒng)商業(yè)用例 25
2．2．1 個性化 26
2．2．2 目標營銷和客戶細分 26
2．2．3 預(yù)測建模與分析 26
2．3 機器學(xué)習(xí)模型的種類 27
2．4 數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)系統(tǒng)的組成 27
2．4．1 數(shù)據(jù)獲取與存儲 28
2．4．2 數(shù)據(jù)清理與轉(zhuǎn)換 28
2．4．3 模型訓(xùn)練與測試回路 29
2．4．4 模型部署與整合 30
2．4．5 模型監(jiān)控與反饋 30
2．4．6 批處理或?qū)崟r方案的選擇 31
2．5 機器學(xué)習(xí)系統(tǒng)架構(gòu) 31
2．6 小結(jié) 33
第3 章 Spark 上數(shù)據(jù)的獲取、處理與準備 34
3．1 獲取公開數(shù)據(jù)集 35
3．2 探索與可視化數(shù)據(jù) 37
3．2．1 探索用戶數(shù)據(jù) 38
3．2．2 探索電影數(shù)據(jù) 41
3．2．3 探索評級數(shù)據(jù) 43
3．3 處理與轉(zhuǎn)換數(shù)據(jù) 46
3．4 從數(shù)據(jù)中提取有用特征 48
3．4．1 數(shù)值特征 48
3．4．2 類別特征 49
3．4．3 派生特征 50
3．4．4 文本特征 51
3．4．5 正則化特征 55
3．4．6 用軟件包提取特征 56
3．5 小結(jié) 57
第4 章 構(gòu)建基于Spark 的推薦引擎 58
4．1 推薦模型的分類 59
4．1．1 基于內(nèi)容的過濾 59
4．1．2 協(xié)同過濾 59
4．1．3 矩陣分解 60
4．2 提取有效特征 64
4．3 訓(xùn)練推薦模型67
4．3．1 使用MovieLens 100k 數(shù)據(jù)集訓(xùn)練模型 67
4．3．2 使用隱式反饋數(shù)據(jù)訓(xùn)練模型 68
4．4 使用推薦模型 69
4．4．1 用戶推薦 69
4．4．2 物品推薦 72
4．5 推薦模型效果的評估 75
4．5．1 均方差 75
4．5．2 K 值平均準確率 77
4．5．3 使用MLlib 內(nèi)置的評估函數(shù) 81
4．6 小結(jié) 82
第5 章 Spark 構(gòu)建分類模型 83
5．1 分類模型的種類 85
5．1．1 線性模型 85
5．1．2 樸素貝葉斯模型 89
5．1．3 決策樹 90
5．2 從數(shù)據(jù)中抽取合適的特征 91
5．3 訓(xùn)練分類模型 93
5．4 使用分類模型 95
5．5 評估分類模型的性能 96
5．5．1 預(yù)測的正確率和錯誤率 96
5．5．2 準確率和召回率 97
5．5．3 ROC 曲線和AUC 99
5．6 改進模型性能以及參數(shù)調(diào)優(yōu) 101
5．6．1 特征標準化 101
5．6．2 其他特征 104
5．6．3 使用正確的數(shù)據(jù)格式 106
5．6．4 模型參數(shù)調(diào)優(yōu) 107
5．7 小結(jié) 115
第6 章 Spark 構(gòu)建回歸模型 116
6．1 回歸模型的種類 116
6．1．1 最小二乘回歸 117
6．1．2 決策樹回歸 117
6．2 從數(shù)據(jù)中抽取合適的特征 118
6．3 回歸模型的訓(xùn)練和應(yīng)用 123
6．4 評估回歸模型的性能 125
6．4．1 均方誤差和均方根誤差 125
6．4．2 平均絕對誤差 126
6．4．3 均方根對數(shù)誤差 126
6．4．4 R-平方系數(shù) 126
6．4．5 計算不同度量下的性能 126
6．5 改進模型性能和參數(shù)調(diào)優(yōu) 127
6．5．1 變換目標變量 128
6．5．2 模型參數(shù)調(diào)優(yōu) 132
6．6 小結(jié) 140
第7 章 Spark 構(gòu)建聚類模型 141
7．1 聚類模型的類型 142
7．1．1 K-均值聚類 142
7．1．2 混合模型 146
7．1．3 層次聚類 146
7．2 從數(shù)據(jù)中提取正確的特征 146
7．3 訓(xùn)練聚類模型 150
7．4 使用聚類模型進行預(yù)測 151
7．5 評估聚類模型的性能 155
7．5．1 內(nèi)部評價指標 155
7．5．2 外部評價指標 156
7．5．3 在MovieLens 數(shù)據(jù)集計算性能 156
7．6 聚類模型參數(shù)調(diào)優(yōu) 156
7．7 小結(jié) 158
第8 章 Spark 應(yīng)用于數(shù)據(jù)降維 159
8．1 降維方法的種類 160
8．1．1 主成分分析 160
8．1．2 奇異值分解 160
8．1．3 和矩陣分解的關(guān)系 161
8．1．4 聚類作為降維的方法 161
8．2 從數(shù)據(jù)中抽取合適的特征 162
8．3 訓(xùn)練降維模型 169
8．4 使用降維模型 172
8．4．1 在LFW數(shù)據(jù)集上使用PCA投影數(shù)據(jù) 172
8．4．2 PCA 和SVD 模型的關(guān)系 173
8．5 評價降維模型 174
8．6 小結(jié) 176
第9 章 Spark 高級文本處理技術(shù) 177
9．1 處理文本數(shù)據(jù)有什么特別之處 177
9．2 從數(shù)據(jù)中抽取合適的特征 177
9．2．1 短語加權(quán)表示 178
9．2．2 特征哈希 179
9．2．3 從20 新聞組數(shù)據(jù)集中提取TF-IDF 特征 180
9．3 使用TF-IDF 模型 192
9．3．1 20 Newsgroups 數(shù)據(jù)集的文本相似度和TF-IDF 特征 192
9．3．2 基于20 Newsgroups 數(shù)據(jù)集使用TF-IDF 訓(xùn)練文本分類器 194
9．4 評估文本處理技術(shù)的作用 196
9．5 Word2Vec 模型 197
9．6 小結(jié) 200
第10 章 Spark Streaming 在實時機器學(xué)習(xí)上的應(yīng)用 201
10．1 在線學(xué)習(xí) 201
10．2 流處理 202
10．2．1 Spark Streaming 介紹 202
10．2．2 使用Spark Streaming 緩存和容錯 205
10．3 創(chuàng)建Spark Streaming 應(yīng)用 206
10．3．1 消息生成端 207
10．3．2 創(chuàng)建簡單的流處理程序 209
10．3．3 流式分析 211
10．3．4 有狀態(tài)的流計算213
10．4 使用Spark Streaming 進行在線學(xué)習(xí) 215
10．4．1 流回歸 215
10．4．2 一個簡單的流回歸程序 216
10．4．3 流K-均值 220
10．5 在線模型評估 221
10．6 小結(jié) 224