正版新书]spark 3.0大数据分析与挖掘:基于机器学 数据库 王晓

章 Spark大数据分析概述 1
1.1 大数据时代 1
1.2 大数据分析的要素 2
1.3 简单、优雅、有效—这就是Spark 3
1.4 Spark 3.0核心—ML 4
1.5 星星之火，可以燎原 6
1.6 小结 6
第2章 Spark 3.0安装和开发环境配置 7
2.1 Windows 10单机模式下安装和配置Spark 7
2.1.1 Windows 10安装Java 8 7
2.1.2 Windows 10安装Scala 2.12.10 10
2.1.3 Intellij EA下载和安装 13
2.1.4 Intellij EA中Scala插件的安装 13
2.1.5 HelloJava—使用Intellij EA创建Java程序 16
2.1.6 HelloScala—使用Intellij EA创建Scala程序 19
2.1.7 脚—Spark 3.0单机版安装 22
2.2 经典的wordCount 25
2.2.1 Spark 3.0实现wordCount 25
2.2.2 MapReduce实现wordCount 27
. 小结 30
第3章 DataFrame详解 31
3.1 DataFrame是什么 31
3.1.1 DataFrame与RDD的关系 31
3.1.2 DataFrame理解及特 3
.1.3 DataFrame与DataSet的区别 34
3.1.4 DataFrame的缺陷 34
3.2 DataFrame工作原理 35
3.2.1 DataFrame工作原理图 35
3.2.2 宽依赖与窄依赖 35
3.3 DataFrame应用API和操作详解 37
3.3.1 创建 DataFrame 37
3.3.2 提前计算的cache方法 39
3.3.3 用于列筛选的select和selectExpr方法 41
3.3.4 DataFrame的收集行collect方法 4
..5 DataFrame算行count方法 43
3.3.6 DataFrame输出limit方法 44
3.3.7 除去数据集中重复项的distinct方法 45
3.3.8 过滤数据的filter方法 46
3.3.9 以整体数据为单位操作数据的flatMap方法 46
3.3.10 以单个数据为目标进行操作的map方法 47
3.3.11 分组数据的groupBy和agg方法 48
3.3.12 删除数据集中某列的drop方法 49
3.3.13 随机采样方法和随机划分方法 49
3.3.14 排序类型操作的sort和orderBy方法 51
3.3.15 DataFrame和Dataset以及RDD之间的相互转换 5
.4 小结 53
第4章 ML基本概念 54
4.1 ML基本数据类型及管道技术 54
4.1.1 支持多种数据类型 55
4.1.2 管道技术 55
4.1.3 管道中的主要概念 55
4.1.4 管道的工作流程 56
4.1.5 Pipeline的使用 57
4.2 ML数理统计基本概念 61
4.2.1 基本统计量 62
4.2.2 统计量基本数据 62
4.. 距离计算 64
4.2.4 两组数据相关系数计算 65
4.2.5 分层抽样 68
4.2.6 设检验 69
4.2.7 随机数 71
4.3 小结 72
第5章 协同过滤算法 73
5.1 协同过滤 73
5.1.1 协同过滤概述 73
5.1.2 基于用户的UserCF 74
5.1.3 基于物品的ItemCF 75
5.1.4 协同过滤算法的不足 76
5.2 相似度度量 76
5.2.1 基于欧几里得距离的相似度计算 76
5.2.2 基于余弦角度的相似度计算 77
5.. 欧几里得相似度与余弦相似度的比较 78
5.2.4 基于余弦相似度的用户相似度计算示例 78
5.3 交替二乘法 82
5.3.1 二乘法详解 82
5.3.2 ML中交替二乘法详解 83
5.3.3 ALS算法示例 83
5.4 小结 88
第6章 线回归理论与实战 89
6.1 随机梯度下降算法详解 90
6.1.1 下山的故事 90
6.1.2 随机梯度下降算的理基础 91
6.1.3 随机梯度下降算法实战 92
6.2 回归的过拟合 93
6.2.1 过拟合产生的原因 93
6.2.2 Lasso回归、岭回归与ElasticNet回归 94
6.3 ML线回归示例 95
6.3.1 线回归程序 95
6.3.2 线回归：广义线回归 98
6.4 小结 99
第7章 分类实战 100
7.1 逻辑回归详解 100
7.1.1 逻辑回归不是回归算法 101
7.1.2 逻辑回归的数学基础 101
7.1.3 ML逻辑回归二分类示例 102
7.1.4 ML逻辑回归多分类示例 105
7.1.5 ML逻辑回归汇总提取 108
7.1.6 ML逻辑回归处理文本文档 109
7.2 线支持向量机详解 109
7.2.1 三角还是圆 110
7.2.2 支持向量机的数学基础 111
7.. ML支持向量机示例 112
7.2.4 ML支持向量机进行分类预测 113
7.3 朴素贝叶斯分类器详解 115
7.3.1 穿裤子的男生or女生 115
7.3.2 贝叶斯定理的数学基础和意义 116
7.3.3 朴素贝叶斯定理 117
7.3.4 ML朴素贝叶斯使用示例 117
7.3.5 ML朴素贝叶斯中文文本分类 120
7.4 小结 1
第8章 决策树与随机森林 124
8.1 决策树详解 125
8.1.1 水晶球的秘密 125
8.1.2 决策树的算法基础：信息熵 126
8.1.3 决策树的算法基础—3算法 127
8.1.4 ML中决策树的构建 128
8.1.5 ML中决策树示例 130
8.2 随机森林与梯度提升算法 132
8.3 小结 138
第9章 聚类 139
9.1 聚类与分类 139
9.1.1 什么是分类 139
9.1.2 什么是聚类 140
9.2 K-means算法 140
9.2.1 K-means算法及其算法步骤 141
9.2.2 ML中K-means算法示例 142
9.. K-means算法中细节的讨论 144
9.3 高斯混合聚类 144
9.3.1 从高斯分布聚类起步 145
9.3.2 混合高斯模型 146
9.3.3 ML高斯混合模型使用示例 147
9.4 快速迭代聚类 148
9.4.1 快速迭代聚类理论基础 148
9.4.2 ML快速迭代聚类使用示例 149
9.5 小结 150
0章 关联规则 151
10.1 Apriori频繁项集算法 151
10.1.1 “啤酒与尿布”的经典故事 151
10.1.2 经典的Apriori算法 152
10.1.3 Apriori算法示例 154
10.2 FP-growth算法 155
10.2.1 Apriori算法的局限 155
10.2.2 FP-growth算法 155
10.. ML中的FP树算法示例 158
10.3 小结 160
1章 数据降维 161
11.1 奇异值分解 161
11.1.1 行矩阵详解 162
11.1.2 奇异值分解算法基础 162
11.1.3 ML中奇异值分解示例 163
11.2 主成分分析 164
11.2.1 主成分分析的定义 165
11.2.2 主成分分析的数学基础 165
11.. ML中主成分分析示例 166
11.3 小结 167
2章 特征提取和转换 169
12.1 TF-F 169
12.1.1 如何查找想要的新闻 170
12.1.2 TF-F算法的数学计算 170
12.1.3 ML中TF-F示例 171
12.2 词向量化Word2Vec 173
12.2.1 词向量化基础 173
12.2.2 ML中词向量化使用示例 174
1. 基于卡方检验的特征选择 176
1..1 “吃货”的苦恼 176
1..2 ML中基于卡方检验的特征选择示例 177
12.4 小结 179
3章 ML实战演练—鸢尾花分析 180
13.1 建模说明 180
13.1.1 数据的描述与分析目标 180
13.1.2 建模说明 182
13.2 数据预处理和分析 185
13.2.1 微观分析—均值与方差的对比分析 185
13.2.2 宏观分析—不同种类特的长度计算 189
13.. 去除重复项—相关系数的确定 192
13.3 长与宽之间的关系—数据集的回归分析 196
13.3.1 使用线回归分析长与宽之间的关系 196
13.3.2 使用逻辑回归分析长与宽之间的关系 198
13.4 使用分类和聚类对鸢尾花数据集进行处理 201
13.4.1 使用聚类分析对数据集进行聚类处理 202
13.4.2 使用分类分析对数据集进行分类处理 206
13.5 的判定—决策树测试 208
13.5.1 决定数据集归类的方法之一—决策树 208
13.5.2 决定数据集归类的方法之二—随机森林 211
13.6 小结 213

王晓华，计算机专业讲师，研究方向为云计算、大数据与人工智能。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战：基于TensorFlow2.2的深度学习实践》《TensorFlow深度学习从零开始学》《深度学习的数学原理与实现》等图书。

本书详解Spark 3.0 ML机器学习框架进行大数据分析与挖掘的方法，配套示例源码、PPT课件、数据集、开发环境、思维导图和答疑服务。