hiskio

    實戰機器學習｜使用Spark

    學習熱門的機器學習演算法 本書介紹熱門的機器學習演算法及其實作方式。你將會了解如何在Spark ML這套開發框架之內，實作各種機器學習概念。首先，我們會帶你在單一節點與多重節點的運算叢集上，完成Spark的安裝工作；接著，說明如何執行以Scala和Python語言撰寫的Spark ML程式；然後以幾套資料集為範例，深入探索分群、分類與迴歸；最後，利用Spark ML來處理文字資料

    收集中
    US$13.41

    學習熱門的機器學習演算法


    本書介紹熱門的機器學習演算法及其實作方式。你將會了解如何在Spark ML這套開發框架之內，實作各種機器學習概念。首先，我們會帶你在單一節點與多重節點的運算叢集上，完成Spark的安裝工作；接著，說明如何執行以Scala和Python語言撰寫的Spark ML程式；然後以幾套資料集為範例，深入探索分群、分類與迴歸；最後，利用Spark ML來處理文字資料。


    打造可以應用於工作中的機器學習程式


    弄懂概念之後，便可運用來實作演算法，可能是從頭開始，或是將既有的系統轉移到這個新平台，像是從Mahout或Scikit轉移到Spark ML。當你讀完本書之時，應該能夠善加運用Spark，打造可以應用於工作中的機器學習程式。


    本書將帶您

    ．實際動手嘗試最新版的Spark ML

    ．以Scala與Python語言撰寫Spark程式

    ．在本機以及Amazon ECS雲端平台上，安裝並設置Spark開發環境

    ．取用公開的機器學習資料集，使用Spark進行資料的載入、處理、清理與轉換等動作

    ．處理巨量的文字資料，包括特徵萃取，並使用文字資料作為輸入餵給機器學習模型

    ．撰寫Spark函式，評估機器學習模型的表現能力

    章節目錄

    1-1封面
    1-2書名頁
    1-3關於作者
    1-4關於審閱者
    1-5前言
    1-6目錄
    1-7CH1 與Spark 一起奔跑
    1-8 在本地端安裝並設定Spark
    1-9 Spark叢集
    1-10 Spark程式設計模型
    1-11 SchemaRDD
    1-12 Spark資料框
    1-13 邁出第一步撰寫Spark程式：使用Scala語言
    1-14 邁出第一步撰寫Spark程式：使用Java語言
    1-15 邁出第一步撰寫Spark程式：使用R語言
    1-16 在Amazon EC2上執行Spark
    1-17 設定Amazon Elastic MapReduce並執行Spark
    1-18 Spark的使用者介面
    1-19 Spark支援的機器學習演算法
    1-20 與其他程式庫相比，Spark ML的優勢
    1-21 總結
    1-22CH2 機器學習 需要的數學知識
    1-23 線性代數
    1-24 梯度下降法
    1-25 過去經驗、可能性、事後機率
    1-26 微積分
    1-27 圖表繪製
    1-28 總結
    1-29CH3 設計機器學習系統
    1-30 何謂機器學習？
    1-31 介紹MovieStream
    1-32 機器學習系統的商業案例
    1-33 機器學習模型的種類
    1-34 以資料驅動的機器學習系統的組成元件
    1-35 機器學習系統的架構
    1-36 Spark MLlib
    1-37 效能提升：在Spark MLlib之上的Spark ML
    1-38 比較MLlib支援的演算法
    1-39 MLlib支援的方法和開發人員API
    1-40 MLlib版本
    1-41 MLlib版本比較
    1-42 總結
    1-43CH4 Spark 取得資料 並進行處理準備
    1-44 存取公開資料
    1-45 資料探索與視覺化
    1-46 資料處理與轉換
    1-47 從資料萃取出有用的特徵
    1-48 總結
    1-49CH5 使用Spark 建構推薦引擎
    1-50 推薦模型的種類
    1-51 從你的資料萃取出正確特徵
    1-52 訓練推薦模型
    1-53 使用推薦模型
    1-54 評估推薦模型的表現
    1-55 FP-Growth演算法
    1-56 總結
    1-57CH6 使用Spark 建構分類模型
    1-58 分類模型的類型
    1-59 從資料萃取出正確的特徵
    1-60 訓練分類模型
    1-61 使用分類模型
    1-62 增進模型表現能力與調校參數
    1-63 其他特徵
    1-64 總結
    1-65CH7 使用Spark 建構迴歸模型
    1-66 迴歸模型的種類
    1-67 評估迴歸模型的表現能力
    1-68 從資料萃取出正確的特徵
    1-69 訓練迴歸模型並使用
    1-70 增進模型表現能力與調校參數
    1-71 總結
    1-72CH8 使用Spark 建構分群模型
    1-73 分群模型的種類
    1-74 從資料萃取出正確的特徵
    1-75 k-平均演算法：訓練分類模型
    1-76 k-平均演算法：評估分群模型的表現能力
    1-77 WSSSE受迭代次數的影響
    1-78 二分k-平均演算法
    1-79 二分k-平均演算法：訓練分群模型
    1-80 高斯混合模型
    1-81 總結
    1-82CH9 Spark 與維度縮減
    1-83 維度縮減的種類
    1-84 從資料萃取出正確的特徵
    1-85 訓練維度縮減模型
    1-86 使用維度縮減模型
    1-87 評估維度縮減模型
    1-88 總結
    1-89CH10 Spark 與 進階文字處理
    1-90 文字資料為何如此特別？
    1-91 從資料萃取出正確的特徵
    1-92 使用tf-idf模型
    1-93 評估文字處理的影響
    1-94 以Spark 2.0進行文字分類
    1-95 Word2Vec模型
    1-96 Word2Vec與20個新聞群組資料集
    1-97 總結
    1-98CH11 Spark 串流程式庫與 即時機器學習
    1-99 線上學習
    1-100 串流處理
    1-101 Spark串流與線上學習
    1-102 線上模型評估
    1-103 結構化串流
    1-104 總結
    1-105CH12 Spark ML 的 工作流程API
    1-106 介紹工作流程
    1-107 工作流程如何運作？
    1-108 機器學習工作流程範例
    1-109 總結
    1-110版權
    1-111封底

    常見問答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜歡

    用戶評價

    | 收集中

    銷售方案