深度实践Spark机器学习电子书封面 读者评价 本课程主要讲解基于Spark 2.x的机器学习库，MLlib实现了常用的机器学习，如：聚类、分类、回归等6大算法，使用Kaggle竞赛数据集模型构建。本课拒绝枯燥的讲述，将循序渐进从Spark2.x的基础知识开始，然后再透彻讲解各个算法的理论、详细展示Spark实现，最后均会通过实例进行解析实战，帮助大家真正从理论到实践全面掌握Spark MLlib分布式机器学习。通过该课程的学习同学们可以全面掌握Spark MLlib机器学习，进而能够在实际工作中进行ML的应用开发和定制开发。内容介绍 本书系统讲解了Spark机器学习的技术、原理、组件、算法，以及构建Spark机器学习系统的方法、流程、标准和规范。此外，还介绍了Spark的深度学习框架TensorFlowOnSpark，以及如何借助它实现卷积神经网络和循环神经网络。全书共14章，分为四个部分：*部分（1~7章） 主要讲解了Spark机器学习的技术、原理和核心组件，包括Spark ML、Spark ML Pipeline、Spark MLlib，以及如何构建一个Spark机器学习系统。第二部分（8~12章） 主要以实例为主，讲解了Spark ML的各种机器学习算法，包括推荐模型、分类模型、聚类模型、回归模型，以及PySpark决策树模型和Spark R朴素贝叶斯模型。第三部（第13章） 与之前的批量处理不同，本章以在线数据或流式数据为主，讲解了Spark的流式计算框架Spark Streaming。第四部分（第14章） 介绍了Spark深度学习，主要包括TensorFlow的基础知识及它与Spark的整合框架TensorFlowOnSpark。目录 前言 第1章了解机器学习1 第2章构建Spark机器学习系统6 第3章MLPipeline原理与实战34 第4章特征提取、转换和选择42 频率（TF-IDF）42 第5章模型选择和优化72 第6章SparkMLlib基础79 第7章构建SparkML推荐模型90 第8章构建SparkML分类模型99 第9章构建SparkML回归模型114 第10章构建SparkML聚类模型127 第11章PySpark决策树模型137 第12章SparkR朴素贝叶斯模型155 说明157 第13章使用SparkStreaming构建在线学习模型168
评论区