日逼视频免费网站,国产一级AAAAA片免费,欧美激情中文,日日擼夜夜擼狠狠擼88,吃奶呻吟打开双腿做,青青青青久久精品国产首,1000部国产精品成人观看,天堂中文网

向AI轉(zhuǎn)型的程序員都關(guān)注了這個號??????

人工智能大數(shù)據(jù)與深度學(xué)習(xí) ?公眾號：datayx

PDF 獲取方式

關(guān)注微信公眾號 datayx? 然后回復(fù)?spark??即可獲取。

AI項目體驗地址?https://loveai.tech

《Spark機(jī)器學(xué)習(xí)》

內(nèi)容提要

彭特里思著的《Spark機(jī)器學(xué)習(xí)》每章都設(shè)計了案例研究，以機(jī)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(zhǔn)備和正確認(rèn)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(jī)器學(xué)習(xí)算法及其實際應(yīng)用。
???? 本書適合互聯(lián)網(wǎng)公司從事數(shù)據(jù)分析的人員，以及高校數(shù)據(jù)挖掘相關(guān)專業(yè)的師生閱讀參考。

**章 Spark 的環(huán)境搭建與運(yùn)行
1.1 Spark 的本地安裝與配置
1.2 Spark 集群
1.3 Spark 編程模型
1.3.1 SparkContext類與SparkConf類
1.3.2 Spar
1.3.3 彈性分布式數(shù)據(jù)集
1.3.4 廣播變量和累加器
1.4 Spark Scala 編程入門
1.5 Spark Java 編程入門
1.6 Spark Python 編程入門
1.7 在*** EC2 上運(yùn)?
1.8 小結(jié)
第2章設(shè)計機(jī)器學(xué)習(xí)系統(tǒng)
2.1 MovieStream 介紹
2.2 機(jī)器學(xué)習(xí)系統(tǒng)商業(yè)用例
2.2.1 個性化
2.2.2 目標(biāo)營銷和客戶細(xì)分
2.2.3 預(yù)測建模與分析
2.3 機(jī)器學(xué)習(xí)模型的種類
2.4 數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)系統(tǒng)的組成
2.4.1 數(shù)據(jù)獲取與存儲
2.4.2 數(shù)據(jù)清理與轉(zhuǎn)換
2.4.3 模型訓(xùn)練與測試回路
2.4.4 模型部署與整合
2.4.5 模型監(jiān)控與反饋
2.4.6 批處理或?qū)崟r方案的選擇
2.5 機(jī)器學(xué)習(xí)系統(tǒng)架構(gòu)
2.6 小結(jié)
第3章 Spark 上數(shù)據(jù)的獲取、處理與準(zhǔn)備
3.1 獲取公開數(shù)據(jù)集
3.2 探索與可視化數(shù)據(jù)
3.2.1 探索用戶數(shù)據(jù)
3.2.2 探索電影數(shù)據(jù)
3.2.3 探索評級數(shù)據(jù)
3.3 處理與轉(zhuǎn)換數(shù)據(jù)
3.4 從數(shù)據(jù)中提取有用特征
3.4.1 數(shù)值特征
3.4.2 類別特征
3.4.3 派生特征
3.4.4 文本特征
3.4.5 正則化特征
3.4.6 用軟件包提取特征
3.5 小結(jié)
第4章構(gòu)建基于Spark的推薦引擎
4.1 推薦模型的分類
4.1.1 基于內(nèi)容的過濾
4.1.2 協(xié)同過濾
4.1.3 矩陣分解
4.2 提取有效特征
4.3 訓(xùn)練推薦模型
4.3.1 使用MovieLens 100k數(shù)據(jù)集訓(xùn)練模型
4.3.2 使用隱式反饋數(shù)據(jù)訓(xùn)練模型
4.4 使用推薦模型
4.4.1 用戶推薦
4.4.2 物品推薦
4.5 推薦模型效果的評估
4.5.1 均方差
4.5.2 K 值平均準(zhǔn)確率
4.5.3 使用MLlib內(nèi)置的評估函數(shù)
4.6 小結(jié)
第5章 Spark構(gòu)建分類模型
5.1 分類模型的種類
5.1.1 線性模型
5.1.2 樸素貝葉斯模型
5.1.3 決策樹
5.2 從數(shù)據(jù)中抽取合適的特征
5.3 訓(xùn)練分類模型
5.4 使用分類模型
5.5 評估分類模型的性能
5.5.1 預(yù)測的正確率和錯誤率
5.5.2 準(zhǔn)確率和召回率
5.5.3 ROC曲線和
5.6 改進(jìn)模型性能以及參數(shù)調(diào)優(yōu)
5.6.1 特征標(biāo)準(zhǔn)化
5.6.2 其他特征
5.6.3 使用正確的數(shù)據(jù)格式
5.6.4 模型參數(shù)調(diào)優(yōu)
5.7 小結(jié)
第6章 Spark構(gòu)建回歸模型
6.1 回歸模型的種類
6.1.1 *小二乘回歸
6.1.2 決策樹回歸
6.2 從數(shù)據(jù)中抽取合適的特征
6.3 回歸模型的訓(xùn)練和應(yīng)用
6.4 評估回歸模型的性能
6.4.1 均方誤差和均方根誤差
6.4.2 平均**誤差
6.4.3 均方根對數(shù)誤差
6.4.4 R-平方系數(shù)
6.4.5 計算不同度量下的性能
6.5 改進(jìn)模型性能和參數(shù)調(diào)優(yōu)
6.5.1 變換目標(biāo)變量
6.5.2 模型參數(shù)調(diào)優(yōu)
6.6 小結(jié)
第7章 Spark構(gòu)建聚類模型
7.1 聚類模型的類型
7.1.1 K-均值聚類
7.1.2 混合模型
7.1.3 層次聚類
7.2 從數(shù)據(jù)中提取正確的特征
7.3 訓(xùn)練聚類模型
7.4 使用聚類模型進(jìn)行預(yù)測
7.5 評估聚類模型的性能
7.5.1 內(nèi)部評價指標(biāo)
7.5.2 外部評價指標(biāo)
7.5.3 在MovieLens數(shù)據(jù)集計算性能
7.6 聚類模型參數(shù)調(diào)優(yōu)
7.7 小結(jié)
第8章 Spark應(yīng)用于數(shù)據(jù)降維
8.1 降維方法的種類
8.1.1 主成分分析
8.1.2 奇異值分解
8.1.3 和矩陣分解的關(guān)系
8.1.4 聚類作為降維的方法
8.2 從數(shù)據(jù)中抽取合適的特征
8.3 訓(xùn)練降維模型
8.4 使用降維模型
8.4.1 在LFW數(shù)據(jù)集上使用PCA投影數(shù)據(jù)
8.4.2 PCA和SVD模型的關(guān)系
8.5 評價降維模型
8.6 小結(jié)
第9章 Spark **文本處理技術(shù)
9.1 處理文本數(shù)據(jù)有什么特別之處
9.2 從數(shù)據(jù)中抽取合適的特征
9.2.1 短語加權(quán)表示
9.2.2 特征哈希
9.2.3 從20 新聞組數(shù)據(jù)集中提取TF-IDF 特征
9.3 使用TF-IDF模型
9.3.1 20 Newsgroups數(shù)據(jù)集的文本相似度和TF-IDF特征
9.3.2 基于20 Newsgroups 數(shù)據(jù)集使用TF-IDF訓(xùn)練文本分類器
9.4 評估文本處理技術(shù)的作用
9.5 Word2Vec 模型
9.6 小結(jié)
**0章 Spark Streaming在實時機(jī)器學(xué)習(xí)上的應(yīng)用
10.1 在線學(xué)習(xí)
10.2 流處理
10.2.1 Spark Streaming介紹
10.2.2 使用Spark Streaming緩存和容錯
10.3 創(chuàng)建Spark Streaming應(yīng)用
10.3.1 消息生成端
10.3.2 創(chuàng)建簡單的流處理程序
10.3.3 流式分析
10.3.4 有狀態(tài)的流計算
10.4 使用Spark Streaming進(jìn)行在線學(xué)習(xí)
10.4.1 流回歸
10.4.2 一個簡單的流回歸程序
10.4.3 流K-均值
10.5 在線模型評估
10.6 小結(jié)