Hadoop/Spark大数据机器学习
出版时间:
2021-02
版次:
31
ISBN:
9787030666871
定价:
128.00
装帧:
其他
开本:
其他
纸张:
胶版纸
-
人类已进入大数据时代。大数据是指具有海量(volume)、多模态(variety)、变化速度快(velocity)、蕴含价值高(value)和不精确性高(veracity)“5V”特征的数据。大数据给传统的机器学习带来巨大的挑战,已引起学术界和工业界的高度关注。Hadoop和Spark正是在这种背景下产生的两个大数据开源平台。《Hadoop/Spark大数据机器学习》重点介绍基于这两种大数据开源平台的机器学习,包括机器学习概述、大数据与大数据处理系统、Hadoop分布式文件系统HDFS、Hadoop并行编程框架MapReduce、Hadoop大数据机器学习和Spark大数据机器学习。 目录
前言
第1章 机器学习概述 1
1.1 分类与聚类 1
1.1.1 分类 1
1.1.2 聚类 4
1.2 K-近邻算法与模糊K-近邻算法 7
1.2.1 K-近邻算法 7
1.2.2 模糊K-近邻算法 8
1.3 K-均值算法与模糊K-均值算法 10
1.3.1 K-均值算法 10
1.3.2 模糊K-均值算法 12
1.4 决策树算法 13
1.4.1 离散值决策树算法 13
1.4.2 连续值决策树算法 25
1.5 神经网络 31
1.5.1 神经元模型 32
1.5.2 梯度下降算法 33
1.5.3 多层感知器模型 35
1.6 极限学习机 40
1.7 支持向量机 42
1.7.1 线性可分支持向量机 42
1.7.2 近似线性可分支持向量机 46
1.7.3 线性不可分支持向量机 47
1.8 主动学习 49
第2章 大数据与大数据处理系统 53
2.1 大数据及其特征 53
2.2 Linux操作系统简介 54
2.2.1 Linux版本 54
2.2.2 Linux的文件与目录 56
2.2.3 Linux用户与用户组 62
2.2.4 Linux系统软件包管理 65
2.2.5 Linux操作系统的安装 66
2.3 大数据处理系统Hadoop 79
2.3.1 什么是Hadoop 79
2.3.2 Hadoop的特性 82
2.3.3 Hadoop的体系结构 82
2.3.4 Hadoop的运行机制 83
2.3.5 Hadoop 1.0和Hadoop 2.0的区别 85
2.3.6 Hadoop的安装及大数据处理环境的架构 87
2.4 大数据处理系统Spark 95
2.4.1 什么是Spark 95
2.4.2 Spark的运行架构 96
2.4.3 Spark的工作机制 97
第3章 Hadoop分布式文件系统HDFS 106
3.1 HDFS概述 106
3.1.1 HDFS的优势 106
3.1.2 HDFS的局限性 107
3.2 HDFS的系统结构 107
3.3 HDFS的数据存储 111
3.3.1 数据块的存放策略 111
3.3.2 数据的读取策略 112
3.3.3 文件系统元数据的持久性 114
3.3.4 HDFS的鲁棒性 114
3.4 访问HDFS 116
3.4.1 通过文件系统Shell访问HDFS 116
3.4.2 通过文件系统Java API访问HDFS 120
3.5 HDFS读写数据的过程 132
3.5.1 HDFS读数据的过程 132
3.5.2 HDFS写数据的过程 133
第4章 Hadoop并行编程框架MapReduce 135
4.1 MapReduce概述 135
4.2 MapReduce的大数据处理过程 136
4.2.1 Map阶段 137
4.2.2 Shu2e阶段 138
4.2.3 Reduce阶段 140
4.3 一个例子:流量统计 141
4.4 MapReduce的系统结构 144
4.5 MapReduce的作业处理过程 146
4.6 MapReduce算法设计 147
4.6.1 大数据决策树算法设计 147
4.6.2 大数据极限学习机算法设计 150
第5章 Hadoop大数据机器学习 152
5.1 基于Hadoop的大数据K-近邻算法 155
5.1.1 大数据K-近邻算法的基本思想 155
5.1.2 大数据K-近邻算法的MapReduce编程实现 156
5.2 基于Hadoop的大数据极限学习机 170
5.2.1 大数据极限学习机的基本思想 170
5.2.2 大数据极限学习机的MapReduce编程实现 170
5.3 基于Hadoop的大数据主动学习 191
5.3.1 大数据主动学习的基本思想 191
5.3.2 大数据主动学习的MapReduce编程实现 192
第6章 Spark大数据机器学习 201
6.1 SparkMLlib 201
6.1.1 MLlib决策树算法 201
6.1.2 MLlib决策森林算法 204
6.1.3 MLlib K-means算法 207
6.1.4 主成分分析 210
6.2 基于Spark的大数据K-近邻算法 212
6.3 基于Spark的大数据主动学习 218
参考文献 238
-
内容简介:
人类已进入大数据时代。大数据是指具有海量(volume)、多模态(variety)、变化速度快(velocity)、蕴含价值高(value)和不精确性高(veracity)“5V”特征的数据。大数据给传统的机器学习带来巨大的挑战,已引起学术界和工业界的高度关注。Hadoop和Spark正是在这种背景下产生的两个大数据开源平台。《Hadoop/Spark大数据机器学习》重点介绍基于这两种大数据开源平台的机器学习,包括机器学习概述、大数据与大数据处理系统、Hadoop分布式文件系统HDFS、Hadoop并行编程框架MapReduce、Hadoop大数据机器学习和Spark大数据机器学习。
-
目录:
目录
前言
第1章 机器学习概述 1
1.1 分类与聚类 1
1.1.1 分类 1
1.1.2 聚类 4
1.2 K-近邻算法与模糊K-近邻算法 7
1.2.1 K-近邻算法 7
1.2.2 模糊K-近邻算法 8
1.3 K-均值算法与模糊K-均值算法 10
1.3.1 K-均值算法 10
1.3.2 模糊K-均值算法 12
1.4 决策树算法 13
1.4.1 离散值决策树算法 13
1.4.2 连续值决策树算法 25
1.5 神经网络 31
1.5.1 神经元模型 32
1.5.2 梯度下降算法 33
1.5.3 多层感知器模型 35
1.6 极限学习机 40
1.7 支持向量机 42
1.7.1 线性可分支持向量机 42
1.7.2 近似线性可分支持向量机 46
1.7.3 线性不可分支持向量机 47
1.8 主动学习 49
第2章 大数据与大数据处理系统 53
2.1 大数据及其特征 53
2.2 Linux操作系统简介 54
2.2.1 Linux版本 54
2.2.2 Linux的文件与目录 56
2.2.3 Linux用户与用户组 62
2.2.4 Linux系统软件包管理 65
2.2.5 Linux操作系统的安装 66
2.3 大数据处理系统Hadoop 79
2.3.1 什么是Hadoop 79
2.3.2 Hadoop的特性 82
2.3.3 Hadoop的体系结构 82
2.3.4 Hadoop的运行机制 83
2.3.5 Hadoop 1.0和Hadoop 2.0的区别 85
2.3.6 Hadoop的安装及大数据处理环境的架构 87
2.4 大数据处理系统Spark 95
2.4.1 什么是Spark 95
2.4.2 Spark的运行架构 96
2.4.3 Spark的工作机制 97
第3章 Hadoop分布式文件系统HDFS 106
3.1 HDFS概述 106
3.1.1 HDFS的优势 106
3.1.2 HDFS的局限性 107
3.2 HDFS的系统结构 107
3.3 HDFS的数据存储 111
3.3.1 数据块的存放策略 111
3.3.2 数据的读取策略 112
3.3.3 文件系统元数据的持久性 114
3.3.4 HDFS的鲁棒性 114
3.4 访问HDFS 116
3.4.1 通过文件系统Shell访问HDFS 116
3.4.2 通过文件系统Java API访问HDFS 120
3.5 HDFS读写数据的过程 132
3.5.1 HDFS读数据的过程 132
3.5.2 HDFS写数据的过程 133
第4章 Hadoop并行编程框架MapReduce 135
4.1 MapReduce概述 135
4.2 MapReduce的大数据处理过程 136
4.2.1 Map阶段 137
4.2.2 Shu2e阶段 138
4.2.3 Reduce阶段 140
4.3 一个例子:流量统计 141
4.4 MapReduce的系统结构 144
4.5 MapReduce的作业处理过程 146
4.6 MapReduce算法设计 147
4.6.1 大数据决策树算法设计 147
4.6.2 大数据极限学习机算法设计 150
第5章 Hadoop大数据机器学习 152
5.1 基于Hadoop的大数据K-近邻算法 155
5.1.1 大数据K-近邻算法的基本思想 155
5.1.2 大数据K-近邻算法的MapReduce编程实现 156
5.2 基于Hadoop的大数据极限学习机 170
5.2.1 大数据极限学习机的基本思想 170
5.2.2 大数据极限学习机的MapReduce编程实现 170
5.3 基于Hadoop的大数据主动学习 191
5.3.1 大数据主动学习的基本思想 191
5.3.2 大数据主动学习的MapReduce编程实现 192
第6章 Spark大数据机器学习 201
6.1 SparkMLlib 201
6.1.1 MLlib决策树算法 201
6.1.2 MLlib决策森林算法 204
6.1.3 MLlib K-means算法 207
6.1.4 主成分分析 210
6.2 基于Spark的大数据K-近邻算法 212
6.3 基于Spark的大数据主动学习 218
参考文献 238
查看详情
-
全新
河北省保定市
平均发货26小时
成功完成率85.14%
-
全新
北京市丰台区
平均发货21小时
成功完成率88.32%
-
全新
北京市东城区
平均发货32小时
成功完成率82.01%
-
全新
江苏省南京市
平均发货15小时
成功完成率82.45%
-
全新
河北省保定市
平均发货24小时
成功完成率89.11%
-
全新
河北省保定市
平均发货27小时
成功完成率88.95%
-
全新
河北省保定市
平均发货25小时
成功完成率83.97%
-
全新
广东省广州市
平均发货20小时
成功完成率85.77%
-
全新
北京市房山区
平均发货12小时
成功完成率98.15%
-
全新
山东省潍坊市
平均发货7小时
成功完成率83.94%
-
全新
河北省廊坊市
平均发货17小时
成功完成率81.92%
-
全新
湖北省武汉市
平均发货16小时
成功完成率93.49%
-
全新
-
全新
河北省保定市
平均发货25小时
成功完成率89.42%
-
全新
四川省成都市
平均发货24小时
成功完成率84.74%
-
全新
江苏省无锡市
平均发货18小时
成功完成率94.62%
-
全新
北京市通州区
平均发货11小时
成功完成率94.63%
-
全新
北京市通州区
平均发货10小时
成功完成率89.25%
-
全新
河北省廊坊市
平均发货25小时
成功完成率84.24%
-
全新
河北省廊坊市
平均发货18小时
成功完成率77.44%
-
全新
江苏省无锡市
平均发货17小时
成功完成率92.08%
-
全新
江苏省无锡市
平均发货6小时
成功完成率96.19%
-
九品
河北省保定市
平均发货17小时
成功完成率87.69%
-
全新
江苏省南京市
平均发货7小时
成功完成率96.38%
-
全新
江苏省南京市
平均发货15小时
成功完成率82.45%
-
全新
河北省保定市
平均发货22小时
成功完成率92.57%
-
全新
江苏省南京市
平均发货7小时
成功完成率97.26%
-
全新
河北省保定市
平均发货16小时
成功完成率90.63%
-
全新
江苏省无锡市
平均发货10小时
成功完成率92.98%
-
全新
北京市西城区
平均发货31小时
成功完成率90.92%
-
全新
北京市朝阳区
平均发货10小时
成功完成率96.58%
-
全新
天津市河东区
平均发货30小时
成功完成率89.39%
-
全新
安徽省合肥市
平均发货50小时
成功完成率50.79%
-
八五品
河北省廊坊市
平均发货8小时
成功完成率96.79%
-
全新
北京市丰台区
平均发货18小时
成功完成率67.55%
-
全新
广东省广州市
平均发货16小时
成功完成率89.23%
-
全新
广东省广州市
平均发货19小时
成功完成率81.41%
-
全新
北京市房山区
平均发货12小时
成功完成率70.97%
-
全新
四川省成都市
平均发货18小时
成功完成率80.44%
-
全新
河北省保定市
平均发货19小时
成功完成率82.64%
-
全新
北京市朝阳区
平均发货20小时
成功完成率80.33%
-
全新
-
全新
北京市通州区
平均发货38小时
成功完成率68.04%
-
全新
浙江省杭州市
平均发货12小时
成功完成率73.91%
-
全新
河北省保定市
平均发货12小时
成功完成率85.21%
-
九五品
湖北省武汉市
平均发货33小时
成功完成率84.14%
-
九五品
河北省保定市
平均发货28小时
成功完成率48.1%
-
全新
河北省保定市
平均发货24小时
成功完成率75.94%
-
全新
河北省保定市
平均发货14小时
成功完成率58.82%
-
全新
北京市通州区
平均发货64小时
成功完成率75.54%