编辑推荐
本书由浅入深，介绍了Spark机器学习的算法和具体应用。
内容简介
本书一共分三大部分：基础篇（1-2章）对Spark机器学习进行概述、并通过Spark机器学习开始进行数据分析；算法篇（3-8章）针对分类、聚类、回归、协同过滤、关联规则、降维等算法进行详细讲解，并进行案例支持；综合案例篇（9-12章）重点通过异常检测、用户画像、广告点击率预估、智慧交通大数据4个综合场景，详细讲解基于Spark机器学习的综合应用。
章节目录
版权信息
前言
第一篇 基础篇
第1章 机器学习概述
1.1 机器学习概述
1.2 机器学习算法
1.3 机器学习分类
1.4 机器学习综合应用
1.5 本章小结
第2章 数据分析流程和方法
2.1 数据分析概述
2.2 数据分析流程
2.3 数据分析的基本方法
2.4 简单的数据分析实践
2.5 本章小结
第二篇 算法篇
第3章 构建分类模型
3.1 分类模型概述
3.2 分类模型算法
3.3 分类效果评估
3.4 App数据的分类实现
3.5 其他分类模型
3.6 本章小结
第4章 构建聚类模型
4.1 聚类概述
4.2 聚类模型
4.3 聚类效果评价
4.4 使用KMeans对鸢尾花卉数据集聚类
4.5 使用DBSCAN对GPS数据进行聚类
4.6 其他模型
4.7 本章小结
第5章 构建回归模型
5.1 常用回归模型
5.2 评估指标
5.3 回归模型优化
5.4 构建UCI裙子销售数据回归模型
5.5 其他回归模型案例
5.6 本章小结
第6章 构建关联规则模型
6.1 关联规则概述
6.2 常用关联规则算法
6.3 效果评估和优化
6.4 使用FP-Growth对豆瓣评分数据进行挖掘
6.5 其他应用场景
6.6 本章小结
第7章 协同过滤
7.1 协同过滤概述
7.2 常用的协同过滤算法
7.3 评估标准
7.4 使用电影评分数据进行协同过滤实践
7.5 本章小结
第8章 数据降维
8.1 降维概述
8.2 常用降维算法
8.3 降维评估标准
8.4 使用PCA对Digits数据集进行降维
8.5 其他降维方法
8.6 本章小结
第三篇 综合应用篇
第9章 异常检测
9.1 异常概述
9.2 异常检测方法
9.3 异常检测系统
9.4 应用场景
9.5 新闻App数据异常检测实践
9.6 本章小结
第10章 用户画像
10.1 用户画像概述
10.2 用户画像流程
10.3 构建用户画像
10.4 用户画像评估和使用
10.5 新闻App用户画像实践
10.6 本章小结
第11章 广告点击率预估
11.1 点击率预估概述
11.2 点击率预估技术
11.3 模型效果评估
11.4 新闻App点击率预估实践
11.5 本章小结
第12章 企业征信大数据应用
12.1 征信概述
12.2 企业征信大数据平台
12.3 企业征信大数据应用
12.4 企业法人资产建模实践
12.5 本章小结
第13章 智慧交通大数据应用
13.1 智慧交通大数据概述
13.2 人群生活模式划分
13.3 道路拥堵模式聚类
13.4 本章小结
Spark机器学习进阶实战是2018年由机械工业出版社出版,作者马海平于俊吕昕向海。
得书感谢您对《Spark机器学习进阶实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
