正版新书]Spark高级数据分析里扎9787115404749

推荐序
译者序
序
前言
第1章 大数据分析
1.1 数据科学面临的挑战
1.2 认识ApacheSpark
1.3 关于本书
第2章 用Scala和Spark进行数据分析
2.1 数据科学家的Scala
2.2 Spark编程模型
2.3 记录关联问题
2.4 小试牛刀：Sparkshell和SparkContext
2.5 把数据从集群上获取到客户端
2.6 把代码从客户端发送到集群
2.7 用元组和case class对数据进行结构化
2.8 聚合
2.9 创建直方图
2.10 连续变量的概要统计
2.11 为计算概要信息创建可重用的代码
2.12 变量的选择和评分简介
2.13 小结
第3章 音乐推荐和Audioscrobbler数据集
3.1 数据集
3.2 交替最小二乘推荐算法
3.3 准备数据
3.4 构建第一个模型
3.5 逐个检查推荐结果
3.6 评价推荐质量
3.7 计算
3.8 选择超参数
3.9 产生推荐
3.10 小结
第4章 用决策树算法预测森林植被
4.1 回归简介
4.2 向量和特征
4.3 样本训练
4.4 决策树和决策森林
4.5 Covtype数据集
4.6 准备数据
4.7 第一棵决策树
4.8 决策树的超参数
4.9 决策树调优
4.10 重谈类别型特征
4.11 随机决策森林
4.12 进行预测
4.13 小结
第5章 基于K均值聚类的网络流量异常检测
5.1 异常检测
5.2 K均值聚类
5.3 网络入侵
5.4 KDD Cup 1999数据集
5.5 初步尝试聚类
5.6 K的选择
5.7 基于R的可视化
5.8 特征的规范化
5.9 类别型变量
5.10 利用标号的熵信息
5.11 聚类实战
5.12 小结
第6章 基于潜在语义分析算法分析维基百科
6.1 词项-文档矩阵
6.2 获取数据
6.3 分析和准备数据
6.4 词形归并
6.5 计算
6.6 奇异值分解
6.7 找出重要的概念
6.8 基于低维近似的查询和评分
6.9 词项-词项相关度
6.10 文档-文档相关度
6.11 词项-文档相关度
6.12 多词项查询
6.13 小结
第7章 用GraphX分析伴生网络
7.1 对MEDLINE文献引用索引的网络分析
7.2 获取数据
7.3 用Scala XML工具解析XML文档
7.4 分析MeSH主要主题及其伴生关系
7.5 用GraphX来建立一个伴生网络
7.6 理解网络结构
7.6.1 连通组件
7.6.2 度的分布
7.7 过滤噪声边
7.7.1 处理EdgeTriplet
7.7.2 分析去掉噪声边的子图
7.8 小世界网络
7.8.1 系和聚类系数
7.8.2 用Pregel计算平均路径长度
7.9 小结
第8章 纽约出租车轨迹的空间和时间数据分析
8.1 数据的获取
8.2 基于Spark的时间和空间数据分析
8.3 基于JodaTime和NScalaTime的时间数据处理
8.4 基于Esri Geometry API和Spray的地理空间数据处理
8.4.1 认识Esri Geometry API
8.4.2 GeoJSON简介
8.5 纽约市出租车客运数据的预处理
8.5.1 大规模数据中的非法记录处理
8.5.2 地理空间分析
8.6 基于Spark的会话分析
8.7 小结
第9章 基于蒙特卡罗模拟的金融风险评估
9.1 术语
9.2 VaR计算方法
9.2.1 方差-协方差法
9.2.2 历史模拟法
9.2.3 蒙特卡罗模拟法
9.3 我们的模型
9.4 获取数据
9.5 数据预处理
9.6 确定市场因素的权重
9.7 采样
9.8 运行试验
9.9 回报分布的可视化
9.10 结果的评估
9.11 小结
第10章 基因数据分析和BDG项目
10.1 分离存储与模型
10.2 用ADAMCLI导入基因学数据
10.3 从ENCODE数据预测转录因子结合位点
10.4 查询1000Genomes项目中的基因型
10.5 小结
第11章 基于PySpark和Thunder的神经图像数据分析
11.1 PySpark简介
11.2 Thunder工具包概况和安装
11.3 用Thunder加载数据
11.4 用Thunder对神经元进行分类
11.5 小结
附录A Spark进阶
附录B 即将发布的MLlib Pipelines API
作者介绍
封面介绍

Sandy Ryza是Cloudera公司数据科学家，Apache Spark项目的活跃代码贡献者。领导了Cloudera公司的Spark开发工作。他还是Hadoop项目管理委员会委员。

Uri Laserson是Cloudera公司数据科学家，专注于Hadoop生态系统中的Python部分。

Sean Owen是Cloudera公司EMEA地区的数据科学总监，也是Apache Spark项目的代码提交者。他创立了基于Spark、Spark Streaming和Kafka的Hadoop实时大规模学习项目Oryx（之前称为Myrrix）。

Josh Wills是Cloudera公司的不错数据科学总监，Apache Crunch项目的发起者和副总裁。

　　这是一本实用手册，四位作者均是Cloudera公司的数据科学家，他们联袂展示了利用Spark进行大规模数据分析的若干模式，而且每个模式都自成一体。他们将Spark、统计学方法和真实数据集结合起来，通过实例向读者讲述了怎样解决分析型问题。
　　本书首先介绍了Spark及其生态系统，接着详细介绍了将分类、协同过滤及异常检查等常用技术应用于基因学、安全和金融领域的若干模式。如果你对机器学习和统计学有基本的了解，并且会用Java、Python或Scala编程，这些模式将有助于你开发自己的数据应用。
　　本书介绍了以下模式：
　　音乐推荐和Audioscrobbler数据集
　　用决策树算法预测森林植被
　　基于K均值聚类进行网络流量的异常检测
　　基于潜在语义分析技术分析维基百科
　　用GraphX分析伴生网络
　　对纽约出租车轨迹进行空间和时间数据分析
　　通过蒙特卡罗模拟来评估金融风险
　　基因数据分析和BDG项目
　　用PySpark和Thunder分析神经图像数据
【媒体评论】
　　“四位作者研习Spark已久，他们在本书中跟读者分享了关于Spark的大量精彩内容，而且本书的案例部分同样出众！对于这本书，我钟爱的是它强调案例，且这些案例都源于现实数据和实际应用……认真研读此书，你应该可以吸收这些案例中的思想，并直接将其运用在自己的项目中！”
——Matei Zaharia，Databricks公司CTO兼Apache Spark项目副总裁
【作者简介】

　　本书是使用Spark进行大规模数据分析的实战宝典，由大数据公司Cloudera的数据科学家撰写。四位作者首先结合数据科学和大数据分析的广阔背景讲解了Spark，然后介绍了用Spark和Scala进行数据处理的基础知识，接着讨论了如何将Spark用于机器学习，同时介绍了常见应用中几个常用的算法。此外还收集了一些更加新颖的应用，比如通过文本隐含语义关系来查询Wikipedia或分析基因数据。