全新正版 Spark机器学习实战 (美)西亚玛克·阿米尔霍吉//(印)明那什·拉杰德兰//(美)布罗德里克·霍尔//肖恩·梅|责编:胡俊英|译者:陆靖桥 9787115541420 人民邮电
本店所售图书，保证正版新书，有个别图片和实书封面不一样，以实书封面为准，最快当天，一般隔天发货。支持7天无理由退换货.开票联系客服
￥ 96.41 7.5折 ￥ 128 全新
仅1件
北京西城
认证卖家担保交易快速发货售后保障
作者(美)西亚玛克·阿米尔霍吉//(印)明那什·拉杰德兰//(美)布罗德里克·霍尔//肖恩·梅|责编:胡俊英|译者:陆靖桥
出版社人民邮电
ISBN9787115541420
出版时间2020-09
装帧其他
开本其他
定价128元
货号30954055
上书时间2023-04-14
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
第 1章 Scala和Spark的机器学习实战1
1.1 引言 1
1.1.1 Apache Spark 2
1.1.2 机器学习 3
1.1.3 Scala 4
1.1.4 本书的软件版本和使用的
类库 5
1.2 下载和安装JDK 6
1.2.1 准备工作 6
1.2.2 操作步骤 6
1.3 下载和安装IntelliJ 6
1.3.1 准备工作 7
1.3.2 操作步骤 7
1.4 下载和安装Spark 7
1.4.1 准备工作 7
1.4.2 操作步骤 7
1.5 用IntelliJ配置Spark 8
1.5.1 准备工作 8
1.5.2 操作步骤 8
1.5.3 更多 19
1.5.4 参考资料 19
1.6 运行Spark机器学习示例代码 20
1.6.1 准备工作 20
1.6.2 操作步骤 20
1.7 获取机器学习实战所需的数据源 22
1.7.1 准备工作 22
1.7.2 操作步骤 22
1.7.3 更多 23
1.8 用IntelliJ IDE运行第 一个Apache Spark 2.0程序 25
1.8.1 操作步骤 25
1.8.2 工作原理 31
1.8.3 更多 31
1.8.4 参考资料 32
1.9 在Spark程序中添加图表 32
1.9.1 操作步骤 32
1.9.2 工作原理 36
1.9.3 更多 37
1.9.4 参考资料 37
第 2章 Spark机器学习中的线性代数库 38
2.1 引言 38
2.2 Vector和Matrix的包引入和初始化设置 40
2.2.1 操作步骤 40
2.2.2 更多 41
2.2.3 参考资料 42
2.3 用Spark 2.0创建和配置DenseVector 42
2.3.1 操作步骤 43
2.3.2 工作原理 43
2.3.3 更多 44
2.3.4 参考资料 45
2.4 用Spark 2.0创建和配置SparseVector 45
2.4.1 操作步骤 45
2.4.2 工作原理 47
2.4.3 更多 48
2.4.4 参考资料 48
2.5 用Spark 2.0创建和配置DenseMatrix 48
2.5.1 操作步骤 49
2.5.2 工作原理 50
2.5.3 更多 52
2.5.4 参考资料 52
2.6 用Spark 2.0的本地SparseMatrix 52
2.6.1 操作步骤 53
2.6.2 工作原理 55
2.6.3 更多 56
2.6.4 参考资料 57
2.7 用Spark 2.0进行Vector运算 57
2.7.1 操作步骤 57
2.7.2 工作原理 59
2.7.3 更多 60
2.7.4 参考资料 61
2.8 用Spark 2.0进行Matrix运算 61
2.8.1 操作步骤 61
2.8.2 工作原理 64
2.9 研究Spark 2.0分布式RowMatrix 66
2.9.1 操作步骤 67
2.9.2 工作原理 70
2.9.3 更多 71
2.9.4 参考资料 72
2.10 研究Spark 2.0分布式IndexedRowMatrix 72
2.10.1 操作步骤 72
2.10.2 工作原理 74
2.10.3 参考资料 75
2.11 研究Spark 2.0分布式CoordinateMatrix 75
2.11.1 操作步骤 75
2.11.2 工作原理 76
2.11.3 参考资料 77
2.12 研究Spark 2.0分布式BlockMatrix 77
2.12.1 操作步骤 78
2.12.2 工作原理 79
2.12.3 参考资料 79
第3章 Spark机器学习的三剑客 80
3.1 引言 81
3.1.1 RDD— 一切是从什么开始 81
3.1.2 DataFrame—使用高级API统一API和SQL的自然演变 82
3.1.3 Dataset— 一个高级的统一数据API 83
3.2 用Spark 2.0的内部数据源创建RDD 85
3.2.1 操作步骤 86
3.2.2 工作原理 88
3.3 用Spark 2.0的外部数据源创建RDD 88
3.3.1 操作步骤 88
3.3.2 工作原理 90
3.3.3 更多 90
3.3.4 参考资料 91
3.4 用Spark 2.0的filter() API转换RDD 92
3.4.1 操作步骤 92
3.4.2 工作原理 95
3.4.3 更多 95
3.4.4 参考资料 95
3.5 用flatMap() API转换RDD 96
3.5.1 操作步骤 96
3.5.2 工作原理 98
3.5.3 更多 98
3.5.4 参考资料 99
3.6 用集合操作API转换RDD 99
3.6.1 操作步骤 99
3.6.2 工作原理 101
3.6.3 参考资料 101
3.7 用groupBy()和reduceByKey()函数对RDD转换/聚合 102
3.7.1 操作步骤 102
3.7.2 工作原理 104
3.7.3 更多 104
3.7.4 参考资料 105
3.8 用zip() API转换RDD 105
3.8.1 操作步骤 105
3.8.2 工作原理 107
3.8.3 参考资料 107
3.9 用paired键值RDD进行关联转换 107
3.9.1 操作步骤 107
3.9.2 工作原理 110
3.9.3 更多 110
3.10 用paired键值RDD进行汇总和分组转换 110
3.10.1 操作步骤 110
3.10.2 工作原理 112
3.10.3 参考资料 112
3.11 根据Scala数据结构创建DataFrame 112
3.11.1 操作步骤 113
3.11.2 工作原理 115
3.11.3 更多 115
3.11.4 参考资料 116
3.12 不使用SQL方式创建DataFrame 116
3.12.1 操作步骤 116
3.12.2 工作原理 120
3.12.3 更多 121
3.12.4 参考资料 121
3.13 根据外部源加载DataFrame和配置 121
3.13.1 操作步骤 121
3.13.2 工作原理 125
3.13.3 更多 125
3.13.4 参考资料 125
3.14 用标准SQL语言（即SparkSQL）创建DataFrame 126
3.14.1 操作步骤 126
3.14.2 工作原理 130
3.14.3 更多 130
3.14.4 参考资料 131
3.15 用Scala序列处理Dataset API 132
3.15.1 操作步骤 132
3.15.2 工作原理 135
3.15.3 更多 135
3.15.4 参考资料 135
3.16 根据RDD创建和使用Dataset，再反向操作 136
3.16.1 操作步骤 136
3.16.2 工作原理 140
3.16.3 更多 140
3.16.4 参考资料 140
3.17 用Dataset API和SQL一起处理JSON 140
3.17.1 操作步骤 141
3.17.2 工作原理 144
3.17.3 更多 144
3.17.4 参考资料 144
3.18 用领域对象对Dataset API进行函数式编程 145
3.18.1 操作步骤 145
3.18.2 工作原理 148
3.18.3 更多 149
3.18.4 参考资料 149
第4章 构建一个稳健的机器学习系统的常用攻略 150
4.1 引言 151
4.2 借助Spark的基本统计API构建属于自己的算法 151
4.2.1 操作步骤 151
4.2.2 工作原理 153
4.2.3 更多 153
4.2.4 参考资料 154
4.3 用于真实机器学习应用的ML管道 154
4.3.1 操作步骤 154
4.3.2 工作原理 156
4.3.3 更多 157
4.3.4 参考资料 157
4.4 用Spark标准化数据 157
4.4.1 操作步骤 158
4.4.2 工作原理 160
4.4.3 更多 160
4.4.4 参考资料 161
4.5 将数据划分为训练集和测试集 161
4.5.1 操作步骤 161
4.5.2 工作原理 163
4.5.3 更多 163
4.5.4 参考资料 163
4.6 新Dataset API的常见操作 163
4.6.1 操作步骤 163
4.6.2 工作原理 166
4.6.3 更多 166
4.6.4 参考资料 167
4.7 在Spark 2.0中从文本文件创建和使用RDD、DataFrame和Dataset 167
4.7.1 操作步骤 167
4.7.2 工作原理 170
4.7.3 更多 170
4.7.4 参考资料 171
4.8 Spark ML的LabeledPoint数据结构 171
4.8.1 操作步骤 171
4.8.2 工作原理 173
4.8.3 更多 173
4.8.4 参考资料 174
4.9 用Spark 2.0访问Spark集群 174
4.9.1 操作步骤 174
4.9.2 工作原理 176
4.9.3 更多 176
4.9.4 参考资料 177
4.10 用Spark 2.0之前的版本访问Spark集群 178
4.10.1 操作步骤 178
4.10.2 工作原理 180
4.10.3 更多 180
4.10.4 参考资料 180
4.11 在Spark 2.0中使用SparkSession对象访问SparkContext 180
4.11.1 操作步骤 181
4.11.2 工作原理 184
4.11.3 更多 184
4.11.4 参考资料 184
4.12 Spark 2.0中的新模型导出及PMML标记 185
4.12.1 操作步骤 185
4.12.2 工作原理 188
4.12.3 更多 188
4.12.4 参考资料 189
4.13 用Spark 2.0进行回归模型评估 189
4.13.1 操作步骤 189
4.13.2 工作原理 191
4.13.3 更多 191
4.13.4 参考资料 192
4.14 用Spark 2.0进行二分类模型评估 192
4.14.1 操作步骤 192
4.14.2 工作原理 196
4.14.3 更多 196
4.14.4 参考资料 196
4.15 用Spark 2.0进行多类分类模型评估 197
4.15.1 操作步骤 197
4.15.2 工作原理 200
4.15.3 更多 200
4.15.4 参考资料 201
4.16 用Spark 2.0进行多标签分类模型评估 201
4.16.1 操作步骤 201
4.16.2 工作原理 203
4.16.3 更多 203
4.16.4 参考资料 204
4.17 在Spark 2.0中使用Scala Breeze库处理图像 204
4.17.1 操作步骤 204
4.17.2 工作原理 207
4.17.3 更多 207
4.17.4 参考资料 208
第5章 使用Spark 2.0实践机器学习中的回归和分类——第 一部分 209
5.1 引言 209
5.2 用传统方式拟合一条线性回归直线 211
5.2.1 操作步骤 211
5.2.2 工作原理 214
5.2.3 更多 215
5.2.4 参考资料 215
5.3 Spark 2.0中的广义线性回归 216
5.3.1 操作步骤 216
5.3.2 工作原理 219
5.3.3 更多 219
5.3.4 参考资料 220
5.4 Spark 2.0中Lasso和L-BFGS的线性回归API 221
5.4.1 操作步骤 221
5.4.2 工作原理 224
5.4.3 更多 225
5.4.4 参考资料 225
5.5 Spark 2.0中Lasso和自动优化选择的线性回归API 226
5.5.1 操作步骤 226
5.5.2 工作原理 229
5.5.3 更多 229
5.5.4 参考资料 230
5.6 Spark 2.0中岭回归和自动优化选择的线性回归API 230
5.6.1 操作步骤 230
5.6.2 工作原理 233
5.6.3 更多 233
5.6.4 参考资料 233
5.7 Spark 2.0中的保序回归 233
5.7.1 操作步骤 234
5.7.2 工作原理 236
5.7.3 更多 237
5.7.4 参考资料 237
5.8 Spark 2.0中的多层感知机分类器 238
5.8.1 操作步238
5.8.2 工作原理 241
5.8.3 更多 242
5.8.4 参考资料 243
5.9 Spark 2.0中的一对多分类器 244
5.9.1 操作步骤 244
5.9.2 工作原理 247
5.9.3 更多 247
5.9.4 参考资料 248
5.10 Spark 2.0中的生存回归—参数化的加速失效时间模型 248
5.10.1 操作步骤 249
5.10.2 工作原理 252
5.10.3 更多 253
5.10.4 参考资料 254
第6章 用Spark 2.0实践机器学习中的回归和分类——第二部分 255
6.1 引言 255
6.2 Spark 2.0使用SGD优化的线性回归 257
6.2.1 操作步骤 257
6.2.2 工作原理 260
6.2.3 更多 261
6.2.4 参考资料 261
6.3 Spark 2.0使用SGD优化的逻辑回归 262
6.3.1 操作步骤 262
6.3.2 工作原理 266
6.3.3 更多 267
6.3.4 参考资料 268
6.4 Spark 2.0使用SGD优化的岭回归 268
6.4.1 操作步骤 268
6.4.2 工作原理 272
6.4.3 更多 273
6.4.4 参考资料 274
6.5 Spark 2.0使用SGD优化的Lasso回归 274
6.5.1 操作步骤 274
6.5.2 工作原理 277
6.5.3 更多 278
6.5.4 参考资料 279
6.6 Spark 2.0使用L-BFGS优化的逻辑回归 279
6.6.1 操作步骤 279
6.6.2 工作原理 282
6.6.3 更多 283
6.6.4 参考资料 283
6.7 Spark 2.0的支持向量机（SVM） 283
6.7.1 操作步骤 284
6.7.2 工作原理 287
6.7.3 更多 288
6.7.4 参考资料 289
6.8 Spark 2.0使用MLlib库的朴素贝叶斯分类器 289
6.8.1 操作步骤 289
6.8.2 工作原理 294
6.8.3 更多 294
6.8.4 参考资料 294
6.9 Spark 2.0使用逻辑回归研究ML管道和DataFrame 295
6.9.1 操作步骤 295
6.9.2 工作原理 302
6.9.3 更多 302
6.9.4 参考资料 303
第7章 使用Spark实现大规模的推荐引擎 304
7.1 引言 304
7.1.1 内容过滤 306
7.1.2 协同过滤 306
7.1.3 近邻方法 306
7.1.4 隐因子模型技术 306
7.2 用Spark 2.0生成可扩展推荐引擎所需的数据 307
7.2.1 操作步骤 307
7.2.2 工作原理 308
7.2.3 更多 308
7.2.4 参考资料 309
7.3 用Spark 2.0研究推荐系统的电影数据 309
7.3.1 操作步骤 310
7.3.2 工作原理 313
7.3.3 更多 313
7.3.4 参考资料 313
7.4 用Spark 2.0研究推荐系统的评分数据 314
7.4.1 操作步骤 314
7.4.2 工作原理 317
7.4.3 更多 318
7.4.4 参考资料 318
7.5 用Spark 2.0和协同过滤构建可扩展的推荐引擎 318
7.5.1 操作步骤 318
7.5.2 工作原理 324
7.5.3 更多 326
7.5.4 参考资料 327
7.5.5 在训练过程中处理隐式的输入数据 327
第8章 Spark 2.0的无监督聚类算法 329
8.1 引言 329
8.2 用Spark 2.0构建KMeans分类系统 331
8.2.1 操作步骤 331
8.2.2 工作原理 334
8.2.3 更多 337
8.2.4 参考资料 337
8.3 介绍Spark 2.0中的新算法，二分KMeans 337
8.3.1 操作步骤 338
8.3.2 工作原理 342
8.3.3 更多 342
8.3.4 参考资料 343
8.4 在Spark 2.0中使用高斯混合和期望最大化（EM）对数据分类 343
8.4.1 操作步骤 343
8.4.2 工作原理 347
8.4.3 更多 348
8.4.4 参考资料 349
8.5 在Spark 2.0中使用幂迭代聚类（PIC）对图中节点进行分类 349
8.5.1 操作步骤 349
8.5.2 工作原理 352
8.5.3 更多 353
8.5.4 参考资料 353
8.6 用隐狄利克雷分布（LDA）将文档和文本划分为不同主题 353
8.6.1 操作步骤 354
8.6.2 工作原理 357
8.6.3 更多 358
8.6.4 参考资料 359
8.7 用Streaming KMeans实现近实时的数据分类 359
8.7.1 操作步骤 359
8.7.2 工作原理 363
8.7.3 更多 364
8.7.4 参考资料 365
第9章 最优化——用梯度下降法寻找最小值 366
9.1 引言 366
9.2 优化二次损失函数，使用数学方法寻找最小值进行分析 369
9.2.1 操作步骤 369
9.2.2 工作原理 372
9.2.3 更多 372
9.2.4 参考资料 372
9.3 用梯度下降法（GD）编码实现二次损失函数的优化过程 373
9.3.1 操作步骤 374
9.3.2 工作原理 377
9.3.3 更多 380
9.3.4 参考资料 382
9.4 用梯度下降优化算法解决线性回归问题 383
9.4.1 操作步骤 383
9.4.2 工作原理 391
9.4.3 更多 393
9.4.4 参考资料 393
9.5 在Spark 2.0中使用正规方程法解决线性回归问题 393
9.5.1 操作步骤 394
9.5.2 工作原理 396
9.5.3 更多 396
9.5.4 参考资料 396
第 10章 使用决策树和集成模型构建机器学习系统 397
10.1 引言 397
10.1.1 集成方法 399
10.1.2 不纯度的度量 401
10.2 获取和预处理实际的医疗数据，在Spark 2.0中研究决策树和集成模型 404
10.2.1 操作步骤 404
10.2.2 工作原理 406
10.3 用Spark 2.0的决策树构建分类系统 406
10.3.1 操作步骤 407
10.3.2 工作原理 411
10.3.3 更多 411
10.3.4 参考资料 412
10.4 用Spark 2.0的决策树解决回归问题 412
10.4.1 操作步骤 412
10.4.2 工作原理 416
10.4.3 参考资料 417
10.5 用Spark 2.0的随机森林构建分类系统 417
10.5.1 操作步骤 417
10.5.2 工作原理 420
10.5.3 参考资料 421
10.6 用Spark 2.0的随机森林解决回归问题 421
10.6.1 操作步骤 421
10.6.2 工作原理 425
10
— 没有更多了 —
以下为对购买帮助不大的评价