《深度实践Spark机器学习》内容简介

大数据、人工智能正在改变或颠覆各行各业，包括我们的生活。大数据、人工智能方面的人才已经供不应求，但作为人工智能的核心——机器学习，因涉及的知识和技能比较多，除了需要具备一定的数学基础、相关业务知识外，还要求有比较全面的技术储备，如操作系统、数据库、开发语言、数据分析工具、大数据计算平台等，无形中提高了机器学习的门槛。如何降低机器学习的门槛，让更多有志于机器学习、人工智能的人能更方便或顺畅地使用、驾驭机器学习？ 希望你通过阅读本书，不但可以了解很多内容或代码，更可以亲自运行或调试这些代码，从而带来新的体验和收获！

作品目录

前言
第1章：了解机器学习
1.1、机器学习的定义
1.2、大数据与机器学习
1.3、机器学习、人工智能及深度学习
1.4、机器学习的基本任务
1.5、如何选择合适算法
1.6、Spark在机器学习方面的优势
1.7、小结
第2章：构建Spark机器学习系统
2.1、机器学习系统架构
2.2、启动集群
2.3、加载数据
2.4、探索数据
2.5、数据预处理
2.6、构建模型
2.7、模型评估
2.8、组装
2.9、模型选择或调优
2.10、保存模型
2.11、小结
第3章：ML
Pipeline原理与实战
3.1、Pipeline简介
3.2、DataFrame
3.3、Pipeline组件
3.4、Pipeline原理
3.5、Pipeline实例
3.6、小结
第4章：特征提取、转换和选择
4.1、特征提取
4.2、特征转换
4.3、特征选择
4.4、小结
第5章：模型选择和优化
5.1、模型选择
5.2、交叉验证
5.3、训练验证拆分法
5.4、自定义模型选择
5.5、小结
第6章：Spark
MLlib基础
6.1、Spark
MLlib简介
6.2、Spark
MLlib架构
6.3、数据类型
6.4、基础统计
6.5、RDD、Dataframe和Dataset
6.6、小结
第7章：构建Spark
ML推荐模型
7.1、推荐模型简介
7.2、数据加载
7.3、数据探索
7.4、训练模型
7.5、组装
7.6、评估模型
7.7、模型优化
7.8、小结
第8章：构建Spark
ML分类模型
8.1、分类模型简介
8.2、数据加载
8.3、数据探索
8.4、数据预处理
8.5、组装
8.6、模型优化
8.7、小结
第9章：构建Spark
ML回归模型
9.1、回归模型简介
9.2、数据加载
9.3、探索特征分布
9.4、数据预处理
9.5、组装
9.6、模型优化
9.7、小结
第10章：构建Spark
ML聚类模型
10.1、K-means模型简介
10.2、数据加载
10.3、探索特征的相关性
10.4、数据预处理
10.5、组装
10.6、模型优化
10.7、小结
第11章：PySpark决策树模型
11.1、PySpark简介
11.2、决策树简介
11.3、数据加载
11.4、数据探索
11.5、数据预处理
11.6、创建决策树模型
11.7、训练模型进行预测
11.8、模型优化
11.9、脚本方式运行
11.10、小结
第12章：SparkR朴素贝叶斯模型
12.1、SparkR简介
12.2、获取数据
12.3、朴素贝叶斯分类器
12.4、小结
第13章：使用Spark
Streaming构建在线学习模型
13.1、Spark
Streaming简介
13.2、Dstream操作
13.3、Spark
Streaming应用实例
13.4、Spark
Streaming在线学习实例
13.5、小结
第14章：TensorFlowOnSpark详解
14.1、TensorFlow简介
14.2、TensorFlow实现卷积神经网络
14.3、TensorFlow实现循环神经网络
14.4、分布式TensorFlow
14.5、TensorFlowOnSpark架构
14.6、TensorFlowOnSpark安装
14.7、TensorFlowOnSpark实例
14.8、小结
附录A
线性代数
附录B
概率统计
附录C
Scala基础