Apache Spark是一個分布式計算框架，專為滿足低延遲任務和內存數據存儲的需求而優化。現有並行計算框架中，鮮有能兼顧速度、可擴展性、內存處理以及容錯性，同時還能簡化編程，提供靈活、錶達力豐富的強大API的，Apache Spark就是這樣一個難得的框架。

本書介紹瞭Spark的基礎知識，從利用Spark API來載入和處理數據，到將數據作為多種機器學習模型的輸入。此外還通過詳細的例子和現實應用講解瞭常見的機器學習模型，包括推薦係統、分類、迴歸、聚類和降維。另外還介紹瞭一些高階內容，如大規模文本數據的處理，以及Spark Streaming下的在綫機器學習和模型評估方法。

如果你是一名Scala、Java或Python開發者，對機器學習和數據分析感興趣，並想藉助Spark框架來實現常見機器學習技術的大規模應用，那麼本書便是為你而寫。有Spark的基礎知識，但並不要求你有實踐經驗。

通過學習本書，你將能夠：

用Scala、Java或Python語言編寫你的一個Spark程序；

獲取公開的機器學習數據集，以及使用Spark對數據進行載入、處理、清理和轉換；
藉助Spark機器學習庫，利用協同過濾、分類、迴歸、聚類和降維等常見的機器學習模型來編寫程序；
編寫Spark函數來評估你的機器學習模型的性能；
瞭解大規模文本數據的處理方法，包括特徵提取和將文本數據作為機器學習模型的輸入；
探索在綫學習方法，利用Spark Streaming來進行在綫學習和模型評估。

內容簡介

《Spark機器學習》每章都設計瞭案例研究，以機器學習算法為主綫，結閤實例探討瞭Spark 的實際應用。書中沒有讓人抓狂的數據公式，而是從準備和正確認識數據開始講起，全麵涵蓋瞭推薦係統、迴歸、聚類、降維等經典的機器學習算法及其實際應用。

作者簡介

Nick Pentreath是Graphflow公司聯閤創始人。Graphflow是一傢大數據和機器學習公司，專注於以用戶為中心的推薦係統和客戶服務智能化技術。Nick擁有金融市場、機器學習和軟件開發背景，曾任職於高盛集團，之後去在綫廣告營銷創業公司Cognitive Match Limited（倫敦）擔任研究科學傢，後又去非洲更大的社交網絡Mxit領導數據科學與分析團隊。Nick是Apache Spark項目管理委員會成員之一。

內頁插圖

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 Spark shell 5
1．3．3 彈性分布式數據集 6
1．3．4 廣播變量和纍加器 10
1．4 Spark Scala 編程入門 11
1．5 Spark Java 編程入門 14
1．6 Spark Python 編程入門 17
1．7 在Amazon EC2 上運行Spark 18
1．8 小結 23
第2 章設計機器學習係統 24
2．1 MovieStream 介紹 24
2．2 機器學習係統商業用例 25
2．2．1 個性化 26
2．2．2 目標營銷和客戶細分 26
2．2．3 預測建模與分析 26
2．3 機器學習模型的種類 27
2．4 數據驅動的機器學習係統的組成 27
2．4．1 數據獲取與存儲 28
2．4．2 數據清理與轉換 28
2．4．3 模型訓練與測試迴路 29
2．4．4 模型部署與整閤 30
2．4．5 模型監控與反饋 30
2．4．6 批處理或實時方案的選擇 31
2．5 機器學習係統架構 31
2．6 小結 33
第3 章 Spark 上數據的獲取、處理與準備 34
3．1 獲取公開數據集 35
3．2 探索與可視化數據 37
3．2．1 探索用戶數據 38
3．2．2 探索電影數據 41
3．2．3 探索評級數據 43
3．3 處理與轉換數據 46
3．4 從數據中提取有用特徵 48
3．4．1 數值特徵 48
3．4．2 類彆特徵 49
3．4．3 派生特徵 50
3．4．4 文本特徵 51
3．4．5 正則化特徵 55
3．4．6 用軟件包提取特徵 56
3．5 小結 57
第4 章構建基於Spark 的推薦引擎 58
4．1 推薦模型的分類 59
4．1．1 基於內容的過濾 59
4．1．2 協同過濾 59
4．1．3 矩陣分解 60
4．2 提取有效特徵 64
4．3 訓練推薦模型67
4．3．1 使用MovieLens 100k 數據集訓練模型 67
4．3．2 使用隱式反饋數據訓練模型 68
4．4 使用推薦模型 69
4．4．1 用戶推薦 69
4．4．2 物品推薦 72
4．5 推薦模型效果的評估 75
4．5．1 均方差 75
4．5．2 K 值平均準確率 77
4．5．3 使用MLlib 內置的評估函數 81
4．6 小結 82
第5 章 Spark 構建分類模型 83
5．1 分類模型的種類 85
5．1．1 綫性模型 85
5．1．2 樸素貝葉斯模型 89
5．1．3 決策樹 90
5．2 從數據中抽取閤適的特徵 91
5．3 訓練分類模型 93
5．4 使用分類模型 95
5．5 評估分類模型的性能 96
5．5．1 預測的正確率和錯誤率 96
5．5．2 準確率和召迴率 97
5．5．3 ROC 麯綫和AUC 99
5．6 改進模型性能以及參數調優 101
5．6．1 特徵標準化 101
5．6．2 其他特徵 104
5．6．3 使用正確的數據格式 106
5．6．4 模型參數調優 107
5．7 小結 115
第6 章 Spark 構建迴歸模型 116
6．1 迴歸模型的種類 116
6．1．1 最小二乘迴歸 117
6．1．2 決策樹迴歸 117
6．2 從數據中抽取閤適的特徵 118
6．3 迴歸模型的訓練和應用 123
6．4 評估迴歸模型的性能 125
6．4．1 均方誤差和均方根誤差 125
6．4．2 平均絕對誤差 126
6．4．3 均方根對數誤差 126
6．4．4 R-平方係數 126
6．4．5 計算不同度量下的性能 126
6．5 改進模型性能和參數調優 127
6．5．1 變換目標變量 128
6．5．2 模型參數調優 132
6．6 小結 140
第7 章 Spark 構建聚類模型 141
7．1 聚類模型的類型 142
7．1．1 K-均值聚類 142
7．1．2 混閤模型 146
7．1．3 層次聚類 146
7．2 從數據中提取正確的特徵 146
7．3 訓練聚類模型 150
7．4 使用聚類模型進行預測 151
7．5 評估聚類模型的性能 155
7．5．1 內部評價指標 155
7．5．2 外部評價指標 156
7．5．3 在MovieLens 數據集計算性能 156
7．6 聚類模型參數調優 156
7．7 小結 158
第8 章 Spark 應用於數據降維 159
8．1 降維方法的種類 160
8．1．1 主成分分析 160
8．1．2 奇異值分解 160
8．1．3 和矩陣分解的關係 161
8．1．4 聚類作為降維的方法 161
8．2 從數據中抽取閤適的特徵 162
8．3 訓練降維模型 169
8．4 使用降維模型 172
8．4．1 在LFW數據集上使用PCA投影數據 172
8．4．2 PCA 和SVD 模型的關係 173
8．5 評價降維模型 174
8．6 小結 176
第9 章 Spark 高級文本處理技術 177
9．1 處理文本數據有什麼特彆之處 177
9．2 從數據中抽取閤適的特徵 177
9．2．1 短語加權錶示 178
9．2．2 特徵哈希 179
9．2．3 從20 新聞組數據集中提取TF-IDF 特徵 180
9．3 使用TF-IDF 模型 192
9．3．1 20 Newsgroups 數據集的文本相似度和TF-IDF 特徵 192
9．3．2 基於20 Newsgroups 數據集使用TF-IDF 訓練文本分類器 194
9．4 評估文本處理技術的作用 196
9．5 Word2Vec 模型 197
9．6 小結 200
第10 章 Spark Streaming 在實時機器學習上的應用 201
10．1 在綫學習 201
10．2 流處理 202
10．2．1 Spark Streaming 介紹 202
10．2．2 使用Spark Streaming 緩存和容錯 205
10．3 創建Spark Streaming 應用 206
10．3．1 消息生成端 207
10．3．2 創建簡單的流處理程序 209
10．3．3 流式分析 211
10．3．4 有狀態的流計算213
10．4 使用Spark Streaming 進行在綫學習 215
10．4．1 流迴歸 215
10．4．2 一個簡單的流迴歸程序 216
10．4．3 流K-均值 220
10．5 在綫模型評估 221
10．6 小結 224