YL12874  9787302490739 9787302479673

Python+Spark 2.0+Hadoop機器學習與大數據實戰

為降低讀者學習大數據技術的門檻，書中提供瞭豐富的上機實踐操作和範例程序詳解，展示瞭如何在單機Windows係統上通過Virtual Box虛擬機安裝多機Linux虛擬機，如何建立Hadoop集群，再建立Spark開發環境。書中介紹搭建的上機實踐平颱並不限製於單颱實體計算機。對於有條件的公司和學校，參照書中介紹的搭建過程，同樣可以實現將自己的平颱搭建在多颱實體計算機上，以便更加接近於大數據和機器學習真實的運行環境。

本書非常適閤於學習大數據基礎知識的初學者閱讀，更適閤正在學習大數據理論和技術的人員作為上機實踐用的教材。

第1章  Python Spark機器學習與Hadoop大數據 1

1.1  機器學習的介紹 2

1.2  Spark的介紹 5

1.3  Spark數據處理 RDD、DataFrame、Spark SQL 7

1.4  使用Python開發 Spark機器學習與大數據應用 8

1.5  Python Spark 機器學習 9

1.6  Spark ML Pipeline機器學習流程介紹 10

1.7  Spark 2.0的介紹 12

1.8  大數據定義 13

1.9  Hadoop 簡介 14

1.10  Hadoop HDFS分布式文件係統 14

1.11  Hadoop MapReduce的介紹 17

1.12  結論 18

第2章  VirtualBox虛擬機軟件的安裝 19

2.1  VirtualBox的下載和安裝 20

2.2  設置VirtualBox存儲文件夾 23

2.3  在VirtualBox創建虛擬機 25

2.4  結論 29

第3章  Ubuntu Linux 操作係統的安裝 30

3.1  Ubuntu Linux 操作係統的安裝 31

3.2  在Virtual設置Ubuntu虛擬光盤文件 33

3.3  開始安裝Ubuntu 35

3.4  啓動Ubuntu 40

3.5  安裝增強功能 41

3.6  設置默認輸入法 45

3.7  設置“終端”程序 48

3.8  設置“終端”程序為白底黑字 49

3.9  設置共享剪貼闆 50

3.10  設置最佳下載服務器 52

3.11  結論 56

第4章  Hadoop Single Node Cluster的安裝 57

4.1  安裝JDK 58

4.2  設置SSH無密碼登錄 61

4.3  下載安裝Hadoop 64

4.4  設置Hadoop環境變量 67

4.5  修改Hadoop配置設置文件 69

4.6  創建並格式化HDFS目錄 73

4.7  啓動Hadoop 74

4.8  打開Hadoop Resource-Manager Web界麵 76

4.9  NameNode HDFS Web界麵 78

4.10  結論 79

第5章  Hadoop Multi Node Cluster的安裝 80

5.1  把Single Node Cluster復製到data1 83

5.2  設置VirtualBox網卡 84

5.3  設置data1服務器 87

5.4  復製data1服務器到data2、data3、master 94

5.5  設置data2服務器 97

5.6  設置data3服務器 100

5.7  設置master服務器 102

5.8  master連接到data1、data2、data3 創建HDFS目錄 107

5.9  創建並格式化NameNode HDFS目錄 110

5.10  啓動Hadoop Multi Node Cluster 112

5.11  打開Hadoop ResourceManager Web界麵 114

5.12  打開NameNode Web界麵 115

5.13  停止Hadoop Multi Node Cluster 116

5.14  結論 116

第 6 章  Hadoop HDFS命令 117

6.1  啓動Hadoop Multi-Node Cluster 118

6.2  創建與查看HDFS目錄 120

6.3  從本地計算機復製文件到HDFS 122

6.4  將HDFS上的文件復製到本地計算機 127

6.5  復製與刪除HDFS文件 129

6.6  在Hadoop HDFS Web用戶界麵瀏覽HDFS 131

6.7  結論 134

第7章  Hadoop MapReduce 135

7.1  簡單介紹WordCount.java 136

7.2  編輯WordCount.java 137

7.3  編譯WordCount.java 141

7.4  創建測試文本文件 143

7.5  運行WordCount.java 145

7.6  查看運行結果 146

7.7  結論 147

第8章  Python Spark的介紹與安裝 148

8.1  Scala的介紹與安裝 150

8.2  安裝Spark 153

8.3  啓動pyspark交互式界麵 156

8.4  設置pyspark顯示信息 157

8.5  創建測試用的文本文件 159

8.6  本地運行pyspark程序 161

8.7  在Hadoop YARN運行pyspark 163

8.8  構建Spark Standalone Cluster運行環境 165

8.9  在Spark Standalone運行pyspark 171

8.10  Spark Web UI界麵 173

8.11  結論 175

第9章  在 IPython Notebook 運行 Python Spark 程序 176

9.1  安裝Anaconda 177

9.2  在IPython Notebook使用Spark 180

9.3  打開IPython Notebook筆記本 184

9.4  插入程序單元格 185

9.5  加入注釋與設置程序代碼說明標題 186

9.6  關閉IPython Notebook 188

9.7  使用IPython Notebook在Hadoop YARN-client模式運行 189

9.8  使用IPython Notebook在Spark Stand Alone模式運行 192

9.9  整理在不同的模式運行IPython Notebook的命令 194

9.9.1  在 Local 啓動 IPython Notebook 195

9.9.2  在Hadoop YARN-client 模式啓動 IPython Notebook 195

9.9.3  在Spark Stand Alone 模式啓動 IPython Notebook 195

9.10  結論 196

第10章  Python Spark RDD 197

10.1  RDD的特性 198

10.2  開啓IPython Notebook 199

10.3  基本RDD“轉換”運算 201

10.4  多個RDD“轉換”運算 206

10.5  基本“動作”運算 208

10.6  RDD Key-Value 基本“轉換”運算 209

10.7  多個RDD Key-Value“轉換”運算 212

10.8  Key-Value“動作”運算 215

10.9  Broadcast 廣播變量 217

10.10  accumulator纍加器 220

10.11  RDD Persistence持久化 221

10.12  使用Spark創建WordCount 223

10.13  Spark WordCount詳細解說 226

10.14  結論 228

第11章  Python Spark的集成開發環境 229

11.1  下載與安裝eclipse Scala IDE 232

11.2  安裝PyDev 235

11.3  設置字符串替代變量 240

11.4  PyDev 設置 Python 鏈接庫 243

11.5  PyDev設置anaconda2鏈接庫路徑 245

11.6  PyDev設置Spark Python鏈接庫 247

11.7  PyDev設置環境變量 248

11.8  新建PyDev項目 251

11.9  加入WordCount.py程序 253

11.10  輸入WordCount.py程序 254

11.11  創建測試文件並上傳至HDFS目錄 257

11.12  使用spark-submit執行WordCount程序 259

11.13  在Hadoop YARN-client上運行WordCount程序 261

11.14  在Spark Standalone Cluster上運行WordCount程序 264

11.15  在eclipse外部工具運行Python Spark程序 267

11.16  在eclipse運行spark-submit YARN-client 273

11.17  在eclipse運行spark-submit Standalone 277

11.18  結論 280

第12章  Python Spark創建推薦引擎 281

12.1  推薦算法介紹 282

12.2  “推薦引擎”大數據分析使用場景 282

12.3  ALS推薦算法的介紹 283

12.4  如何搜索數據 285

12.5  啓動IPython Notebook 289

12.6  如何準備數據 290

12.7  如何訓練模型 294

12.8  如何使用模型進行推薦 295

12.9  顯示推薦的電影名稱 297

12.10  創建Recommend項目 299

12.11  運行RecommendTrain.py 推薦程序代碼 302

12.12  創建Recommend.py推薦程序代碼 304

12.13  在eclipse運行Recommend.py 307

12.14  結論 310

第13章  Python Spark MLlib決策樹二元分類 311

13.1  決策樹介紹 312

13.2  “StumbleUpon Evergreen”大數據問題 313

13.2.1  Kaggle網站介紹 313

13.2.2  “StumbleUpon Evergreen”大數據問題場景分析 313

13.3  決策樹二元分類機器學習 314

13.4  如何搜集數據 315

13.4.1  StumbleUpon數據內容 315

13.4.2  下載 StumbleUpon 數據 316

13.4.3  用LibreOffice Calc 電子錶格查看train.tsv 319

13.4.4  復製到項目目錄 322

13.5  使用IPython Notebook示範 323

13.6  如何進行數據準備 324

13.6.1  導入並轉換數據 324

13.6.2  提取 feature 特徵字段 327

13.6.3  提取分類特徵字段 328

13.6.4  提取數值特徵字段 331

13.6.5  返迴特徵字段 331

13.6.6  提取 label 標簽字段 331

13.6.7  建立訓練評估所需的數據 332

13.6.8  以隨機方式將數據分為 3 部分並返迴 333

13.6.9  編寫 PrepareData(sc) 函數 333

13.7  如何訓練模型 334

13.8  如何使用模型進行預測 335

13.9  如何評估模型的準確率 338

13.9.1  使用 AUC 評估二元分類模型 338

13.9.2  計算 AUC 339

13.10  模型的訓練參數如何影響準確率 341

13.10.1  建立 trainEvaluateModel 341

13.10.2  評估impurity參數 343

13.10.3  訓練評估的結果以圖錶顯示 344

13.10.4  編寫 evalParameter 347

13.10.5  使用 evalParameter 評估 maxDepth 參數 347

13.10.6  使用 evalParameter 評估 maxBins 參數 348

13.11  如何找齣準確率最高的參數組閤 349

13.12  如何確認是否過度訓練 352

13.13  編寫RunDecisionTreeBinary.py程序 352

13.14  開始輸入RunDecisionTreeBinary.py程序 353

13.15  運行RunDecisionTreeBinary.py 355

13.15.1  執行參數評估 355

13.15.2  所有參數訓練評估找齣最好的參數組閤 355

13.15.3  運行 RunDecisionTreeBinary.py 不要輸入參數 357

13.16  查看DecisionTree的分類規則 358

13.17  結論 360

第14章  Python Spark MLlib 邏輯迴歸二元分類 361

14.1  邏輯迴歸分析介紹 362

14.2  RunLogisticRegression WithSGDBinary.py程序說明 363

14.3  運行RunLogisticRegression WithSGDBinary.py進行參數評估 367

14.4  找齣最佳參數組閤 370

14.5  修改程序使用參數進行預測 370

14.6  結論 372

第15章  Python Spark MLlib支持嚮量機SVM二元分類 373

15.1  支持嚮量機SVM算法的基本概念 374

15.2  運行SVMWithSGD.py進行參數評估 376

15.3  運行SVMWithSGD.py 訓練評估參數並找齣最佳參數組閤 378

15.4  運行SVMWithSGD.py 使用最佳參數進行預測 379

15.5  結論 381

第16章  Python Spark MLlib樸素貝葉斯二元分類 382

16.1  樸素貝葉斯分析原理的介紹 383

16.2  RunNaiveBayesBinary.py程序說明 384

16.3  運行NaiveBayes.py進行參數評估 386

16.4  運行訓練評估並找齣最好的參數組閤 387

16.5  修改RunNaiveBayesBinary.py 直接使用最佳參數進行預測 388

16.6  結論 390

第17章  Python Spark MLlib決策樹多元分類 391

17.1  “森林覆蓋植被”大數據問題分析場景 392

17.2  UCI Covertype數據集介紹 393

17.3  下載與查看數據 394

17.4  修改PrepareData() 數據準備 396

17.5  修改trainModel 訓練模型程序 398

17.6  使用訓練完成的模型預測數據 399

17.7  運行RunDecisionTreeMulti.py 進行參數評估 401

17.8  運行RunDecisionTreeMulti.py 訓練評估參數並找齣最好的參數組閤 403

17.9  運行RunDecisionTreeMulti.py 不進行訓練評估 404

17.10  結論 406

第18章  Python Spark MLlib決策樹迴歸分析 407

18.1  Bike Sharing大數據問題分析 408

18.2  Bike Sharing數據集 409

18.3  下載與查看數據 409

18.4  修改 PrepareData() 數據準備 412

18.5  修改DecisionTree.trainRegressor訓練模型 4 Python+Spark 2.0+Hadoop機器學習與大數據實戰+生態係統操作與實戰指 下載 mobi epub pdf txt 電子書