《分布式机器学习实战》内容简介

本书以分布式机器学习为主线，对其依赖的大数据技术进行详细介绍，并对目前主流的分布式机器学习框架和算法进行重点讲解，侧重实战。
全书共分为8章，详细讲解大数据算法系统架构、大数据基础、Docker容器、Mahout分布式机器学习平台、Spark分布式机器学习平台、分布式深度学习框架和神经网络算法等内容，同时配套完整工业级实战项目，例如个性化推荐算法系统、人脸识别和对话机器人。本书理论联系实践，深入浅出，知识点全面，通过阅读本书，读者不仅可以理解分布式机器学习的知识，还能通过实战案例更好地将理论融入实际工作中。
本书适合分布式机器学习的初学者阅读，对于有一定经验的分布式大数据方向的从业人员及算法工程师，也可以从书中获取很多有价值的知识，并通过实战项目更好地理解分布式机器学习的核心内容。
陈敬雷 充电了么创始人，CEO兼CTO，中国首席数据官联盟专家委员。陈敬雷拥有十几年互联网从业经验，曾任架构师、首席技术官、首席科学家等职务。在技术领域，尤其在大数据和人工智能方向有着丰富的算法工程落地实战经验，在猎聘网任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。目前专注于大数据和人工智能驱动的上班族在线教育行业。

作品目录

内容简介
作者简介
前言
PREFACE
第1章：互联网公司大数据和人工智能那些事
1.1、大数据和人工智能在互联网公司扮演的角色和重要性
1.1.1、什么是大数据，扮演的角色和重要性
1.1.2、什么是人工智能，扮演的角色和重要性
1.1.3、大数据和人工智能有什么区别，又是如何相互关联
1.2、大数据部门组织架构和各种职位介绍
1.2.1、大数据部门组织架构
1.2.2、各种职位介绍和技能要求
1.2.3、不同职位相互协调配合关系
1.2.4、各个职位的职业生涯规划和发展路径
1.2.5、各个职位的市场平均薪资水平
第2章：大数据算法系统架构
2.1、经典应用场景
2.2、应用系统架构设计
第3章：大数据基础
3.1、Hadoop大数据平台搭建
3.1.1、Hadoop原理和功能介绍
3.1.2、Hadoop安装部署
3.1.3、Hadoop常用操作命令
3.2、Hive数据仓库实战
3.2.1、Hive原理和功能介绍
3.2.2、Hive安装部署
3.2.3、Hive
SQL操作
3.2.4、UDF函数
3.2.5、Hive数据仓库模型设计
3.3、HBase实战
3.3.1、HBase原理和功能介绍
3.3.2、HBase数据结构和表详解
3.3.3、HBase安装部署
3.3.4、HBase
Shell常用命令操作
3.3.5、HBase客户端类SQL工具Phoenix
3.3.6、Hive集成HBase查询数据
3.3.7、HBase升级和数据迁移
3.4、Sqoop数据ETL工具实战
3.4.1、Sqoop原理和功能介绍
3.4.2、Sqoop常用操作
3.5、Spark基础
3.5.1、Spark原理和介绍
3.5.2、Spark
MLlib机器学习介绍
3.5.3、Spark
GraphX图计算介绍
3.5.4、Spark
Streaming流式计算介绍
3.5.5、Scala编程入门和Spark编程
3.5.6、Spark项目案例实战和分布式部署
第4章：Docker容器
4.1、Docker介绍
4.1.1、能用Docker做什么
4.1.2、Docker容器基本概念
4.2、Docker容器部署
4.2.1、基础环境安装
4.2.2、Docker常用命令
第5章：Mahout分布式机器学习平台
5.1、Mahout挖掘平台
5.1.1、Mahout原理和介绍
5.1.2、Mahout安装部署
5.2、Mahout机器学习算法
5.2.1、Mahout算法概览
5.2.2、潜在狄利克雷分配模型
5.2.3、MinHash聚类
5.2.4、K-means聚类
5.2.5、Canopy聚类
5.2.6、MeanShift均值漂移聚类
5.2.7、Fkmeans模糊聚类
5.2.8、贝叶斯分类算法
5.2.9、SGD逻辑回归分类算法
5.2.10、随机森林分类算法
5.2.11、关联规则之频繁项集挖掘算法
5.2.12、协同过滤算法
5.2.13、遗传算法
第6章：Spark分布式机器学习平台
6.1、Spark机器学习库
6.1.1、Spark机器学习简介
6.1.2、算法概览
6.2、各个算法介绍和编程实战
6.2.1、推荐算法交替最小二乘法
6.2.2、逻辑回归
6.2.3、决策树
6.2.4、随机森林
6.2.5、梯度提升决策树
6.2.6、支持向量机
6.2.7、朴素贝叶斯
6.2.8、序列模式挖掘PrefixSpan
6.2.9、Word2vec词向量模型
6.2.10、多层感知器神经网络
第7章：分布式深度学习实战
7.1、TensorFlow深度学习框架
7.1.1、TensorFlow原理和介绍
7.1.2、TensorFlow安装部署
7.2、MXNet深度学习框架
7.2.1、MXNet原理和介绍
7.2.2、MXNet安装部署
7.3、神经网络算法
7.3.1、多层感知器算法
7.3.2、卷积神经网络
7.3.3、循环神经网络
7.3.4、长短期记忆神经网络
7.3.5、端到端神经网络
7.3.6、生成对抗网络
7.3.7、深度强化学习
7.3.8、TensorFlow分布式训练实战
7.3.9、分布式TensorFlow
on
Kubernetes集群实战
第8章：完整工业级系统实战
8.1、推荐算法系统实战
8.1.1、推荐系统架构设计
8.1.2、推荐数据仓库集市
8.1.3、ETL数据处理
8.1.4、协同过滤用户行为挖掘
8.1.5、ContentBase文本挖掘算法
8.1.6、用户画像兴趣标签提取算法
8.1.7、基于用户心理学模型推荐
8.1.8、多策略融合算法
8.1.9、准实时在线学习推荐引擎
8.1.10、Redis缓存处理
8.1.11、分布式搜索
8.1.12、推荐Rerank二次重排序算法
8.1.13、在线Web实时推荐引擎服务
8.1.14、在线AB测试推荐效果评估
8.1.15、离线AB测试推荐效果评估
8.1.16、推荐位管理平台
8.2、人脸识别实战
8.2.1、人脸识别原理与介绍
8.2.2、人脸识别应用场景
8.2.3、人脸检测与对齐
8.2.4、人脸识别比对
8.2.5、人脸年龄识别
8.2.6、人脸性别预测
8.3、对话机器人实战
8.3.1、对话机器人原理与介绍
8.3.2、基于TensorFlow的对话机器人
8.3.3、基于MXNet的对话机器人
8.3.4、基于深度强化学习的机器人
8.3.5、基于搜索引擎的对话机器人
8.3.6、对话机器人的Web服务工程化