第 1章 Spark的環境搭建與運行 1
1.1　Spark的本地安裝與配置　2
1.2　Spark集群　3
1.3　Spark編程模型　4
1.3.1　SparkContext類與SparkConf類　4
1.3.2　SparkSession　5
1.3.3　Spark shell　6
1.3.4　彈性分布式數據集　8
1.3.5　廣播變量和累加器　12
1.4　SchemaRDD　13
1.5　Spark data frame　13
1.6　Spark Scala編程入門　14
1.7　Spark Java編程入門　17
1.8　Spark Python編程入門　19
1.9　Spark R編程入門　21
1.10　在Amazon EC2上運行Spark　23
1.11　在Amazon Elastic Map Reduce上配置并運行Spark　28
1.12　Spark用戶界面　31
1.13　Spark所支持的機器學習算法　32
1.14　Spark ML的優勢　36
1.15　在Google Compute Engine上用Dataproc構建Spark集群　38
1.15.1　Hadoop和Spark版本　38
1.15.2　創建集群　38
1.15.3　提交任務　41
1.16　小結　43
第　2章 機器學習的數學基礎　44
2.1　線性代數　45
2.1.1　配置IntelliJ Scala環境　45
2.1.2　配置命令行Scala環境　47
2.1.3　域　48
2.1.4　矩陣　54
2.1.5　函數　64
2.2　梯度下降　68
2.3　先驗概率、似然和后驗概率　69
2.4　微積分　69
2.4.1　可微微分　69
2.4.2　積分　70
2.4.3　拉格朗日乘子　70
2.5　可視化　71
2.6　小結　72
第3章　機器學習系統設計　73
3.1　機器學習是什么　73
3.2　MovieStream介紹　74
3.3　機器學習系統商業用例　75
3.3.1　個性化　75
3.3.2　目標營銷和客戶細分　76
3.3.3　預測建模與分析　76
3.4　機器學習模型的種類　76
3.5　數據驅動的機器學習系統的組成　77
3.5.1　數據獲取與存儲　77
3.5.2　數據清理與轉換　78
3.5.3　模型訓練與測試循環　79
3.5.4　模型部署與整合　79
3.5.5　模型監控與反饋　80
3.5.6　批處理或實時方案的選擇　80
3.5.7　Spark數據管道　81
3.6　機器學習系統架構　82
3.7　Spark MLlib　83
3.8　Spark ML的性能提升　83
3.9　MLlib支持算法的比較　85
3.9.1　分類　85
3.9.2　聚類　85
3.9.3　回歸　85
3.10　MLlib支持的函數和開發者API　86
3.11　MLlib愿景　87
3.12　MLlib版本的變遷　87
3.13　小結　88
第4章　Spark上數據的獲取、處理與準備　89
4.1　獲取公開數據集　90
4.2　探索與可視化數據　92
4.2.1　探索用戶數據　94
4.2.2　探索電影數據　102
4.2.3　探索評級數據　104
4.3　數據的處理與轉換　109
4.4　從數據中提取有用特征　112
4.4.1　數值特征　112
4.4.2　類別特征　113
4.4.3　派生特征　114
4.4.4　文本特征　116
4.4.5　正則化特征　121
4.4.6　用軟件包提取特征　123
4.5　小結　126
第5章　Spark 構建推薦引擎　127
5.1　推薦模型的分類　128
5.1.1　基于內容的過濾　128
5.1.2　協同過濾　128
5.1.3　矩陣分解　130
5.2　提取有效特征　139
5.3　訓練推薦模型　140
5.3.1　使用MovieLens 100k數據集訓練模型　141
5.3.2　使用隱式反饋數據訓練模型　143
5.4　使用推薦模型　143
5.4.1　ALS模型推薦　144
5.4.2　用戶推薦　145
5.4.3　物品推薦　148
5.5　推薦模型效果的評估　152
5.5.1　ALS模型評估　152
5.5.2　均方差　154
5.5.3　K值平均準確率　156
5.5.4　使用MLlib內置的評估函數　159
5.6　FP-Growth算法　161
5.6.1　FP-Growth的基本例子　161
5.6.2　FP-Growth在MovieLens數據集上的實踐　163
5.7　小結　164
第6章　Spark構建分類模型　165
6.1　分類模型的種類　167
6.1.1　線性模型　167
6.1.2　樸素貝葉斯模型　177
6.1.3　決策樹　180
6.1.4　樹集成模型　183
6.2　從數據中抽取合適的特征　188
6.3　訓練分類模型　189
6.4　使用分類模型　190
6.4.1　在Kaggle/StumbleUpon evergreen數據集上進行預測　191
6.4.2　評估分類模型的性能　191
6.4.3　預測的正確率和錯誤率　191
6.4.4　準確率和召回率　193
6.4.5　ROC曲線和AUC　194
6.5　改進模型性能以及參數調優　196
6.5.1　特征標準化　197
6.5.2　其他特征　199
6.5.3　使用正確的數據格式　202
6.5.4　模型參數調優　203
6.6　小結　211
第7章　Spark構建回歸模型　212
7.1　回歸模型的種類　212
7.1.1　最小二乘回歸　213
7.1.2　決策樹回歸　214
7.2　評估回歸模型的性能　215
7.2.1　均方誤差和均方根誤差　215
7.2.2　平均絕對誤差　215
7.2.3　均方根對數誤差　216
7.2.4　R-平方系數　216
7.3　從數據中抽取合適的特征　216
7.4　回歸模型的訓練和應用　220
7.4.1　BikeSharingExecutor　220
7.4.2　在bike sharing數據集上訓練回歸模型　221
7.4.3　決策樹集成　229
7.5　改進模型性能和參數調優　235
7.5.1　變換目標變量　235
7.5.2　模型參數調優　242
7.6　小結　256
第8章　Spark構建聚類模型　257
8.1　聚類模型的類型　258
8.1.1　K-均值聚類　258
8.1.2　混合模型　262
8.1.3　層次聚類　262
8.2　從數據中提取正確的特征　262
8.3　K-均值訓練聚類模型　265
8.3.1　訓練K-均值聚類模型　266
8.3.2　用聚類模型來預測　267
8.3.3　解讀預測結果　267
8.4　評估聚類模型的性能　271
8.4.1　內部評估指標　271
8.4.2　外部評估指標　272
8.4.3　在MovieLens數據集上計算性能指標　272
8.4.4　迭代次數對WSSSE的影響　272
8.5　二分K-均值　275
8.5.1　二分K-均值——訓練一個聚類模型　276
8.5.2　WSSSE和迭代次數　280
8.6　高斯混合模型　283
8.6.1　GMM聚類分析　283
8.6.2　可視化GMM類簇分布　285
8.6.3　迭代次數對類簇邊界的影響　286
8.7　小結　287
第9章　Spark應用于數據降維　288
9.1　降維方法的種類　289
9.1.1　主成分分析　289
9.1.2　奇異值分解　289
9.1.3　和矩陣分解的關系　290
9.1.4　聚類作為降維的方法　290
9.2　從數據中抽取合適的特征　291
9.3　訓練降維模型　299
9.4　使用降維模型　302
9.4.1　在LFW數據集上使用PCA投影數據　302
9.4.2　PCA和SVD模型的關系　303
9.5　評價降維模型　304
9.6　小結　307
第　10章 Spark高級文本處理技術　308
10.1　文本數據處理的特別之處　308
10.2　從數據中抽取合適的特征　309
10.2.1　詞加權表示　309
10.2.2　特征散列　310
10.2.3　從20 Newsgroups數據集中提取TF-IDF特征　311
10.3　使用TF-IDF 模型　324
10.3.1　20 Newsgroups數據集的文本相似度和TF-IDF特征　324
10.3.2　基于20 Newsgroups數據集使用TF-IDF訓練文本分類器　326
10.4　評估文本處理技術的作用　328
10.5　Spark 2.0上的文本分類　329
10.6　Word2Vec模型　331
10.6.1　借助Spark MLlib訓練Word2Vec模型　331
10.6.2　借助Spark ML訓練Word2Vec模型　332
10.7　小結　334
第　11章 Spark Streaming實時機器學習　335
11.1　在線學習　335
11.2　流處理　336
11.2.1　Spark Streaming介紹　337
11.2.2　Spark Streaming緩存和容錯機制　339
11.3　創建Spark Streaming應用　340
11.3.1　消息生成器　341
11.3.2　創建簡單的流處理程序　343
11.3.3　流式分析　346
11.3.4　有狀態的流計算　348
11.4　使用Spark Streaming進行在線學習　349
11.4.1　流回歸　350
11.4.2　一個簡單的流回歸程序　350
11.4.3　流式K-均值　354
11.5　在線模型評估　355
11.6　結構化流　358
11.7　小結　359
第　12章 Spark ML Pipeline API　360
12.1　Pipeline簡介　360
12.1.1　DataFrame　360
12.1.2　Pipeline組件　360
12.1.3　轉換器　361
12.1.4　評估器　361
12.2　Pipeline工作原理　363
12.3　Pipeline機器學習示例　367
12.4　小結　375