大數據 (Big Data) 分析與應用-使用 Hadoop 與 Spark (最新版)
劉勇志
- 出版商: 台科大圖書出版社
- 出版日期: 2017-02-28
- 定價: $550
- 售價: 9.0 折 $495
- 語言: 繁體中文
- 頁數: 388
- ISBN: 9864553771
- ISBN-13: 9789864553778
-
相關分類:
Hadoop、Spark、大數據 Big-data
無法訂購
買這商品的人也買了...
-
$680$578 -
$680$537 -
$780$663 -
$780$616 -
$480$374 -
$400$360 -
$750$675 -
$474$450 -
$480$408 -
$320$288 -
$1,260$983 -
$550$435 -
$580$199 -
$403機器學習導論 (An Introduction to Machine Learning)
-
$520$411 -
$352Python大戰機器學習:數據科學家的第一個小目標
-
$480$379 -
$352Python 數據可視化 (Mastering Python Data Visualization)
-
$680$537 -
$356實用機器學習 (Practical Machine Learning)
-
$352精通 Python 網絡爬蟲:核心技術、框架與項目實戰
-
$352Python可以這樣學
-
$352面向機器智能的 TensorFlow 實踐
-
$283零起點 Python 機器學習快速入門
-
$590$460
商品描述
1.闡述大數據的重要觀念,包括正面的效用與負面的副作用,建立 讀者對大數據正確的認知。
2.說明大數據時代的因應與挑戰,其中有思維的轉變、大數據分析技術、大數據的應用模式分類,也有大數據分析的流程。
3.介紹各行各業的大數據經典應用案例,讓讀者體會大數據分析的應用精隨,有機會發揮創造力,開創自己的大數據應用。
4.介紹大數據分析工具(Hadoop和Spark)的生態系統,期使讀者能充分掌握大數據的技術發展和工具的應用藍圖。
5.透過對大數據工具的實戰演練,包括安裝、設定、指令操作等,使讀者在具備大數據概念正確理解的同時,還能擁有動手實現的功力。
6.學習大數據程式語言Scala,熟悉函數式程式設計(functional programming)的特點,以及它對於大數據的操作與處理,提昇讀者7.使用Spark的機器學習程式庫(MLlib),應用在既有資料集的分析上,讓讀者迅速獲得大數據的預測能力。
目錄大綱
觀念篇
第 1 章 進入大數據時代
1-1 大數據時代來了
1-2 「大」數據有多「大」
1-3 大數據的「大」特徵
1-4 大數據的「大」作用
1-5 大數據的「大」問題
1-6 結語
第 2 章 大數據挑戰與因應
2-1 大數據的思維轉變
2-2 大數據案例
2-3 大數據的應用模式分類
2-4 大數據計畫的啟動
2-5 結語
第 3 章 大數據分析技術
3-1 資料科學
3-2 資料分析工具箱
3-3 大數據分析流程
3-4 結語
工具篇
第 4 章 大數據工具與生態系統
4-1 Hadoop/HDFS:分散式檔案系統
4-2 Spark:平行運算框架
4-3 NoSQL 資料庫
4-4 結語
第 5 章 大數據作業系統Ubuntu 的安裝
5-1 安裝虛擬化系統工具Oracle VirtualBox
5-2 新增和設定Ubuntu 虛擬機
5-3 安裝和設定Ubuntu 作業系統
第 6 章 大數據平台Hadoop 和Spark 的安裝
6-1 建立和設定master 主機
6-2 建立slave1 虛擬機
6-3 繼續master 的設定
6-4 啟動Hadoop 主機集群
6-5 試玩HDFS
6-6 試玩Spark
6-7 結束Spark 和Hadoop
第 7 章 HDFS 和Spark RDD 的操作
7-1 HDFS 的操作指令
7-2 Spark RDD 的操作
第 8 章 Scala—大數據的程式語言
8-1 Scala 基礎
8-2 基本的資料型態
8-3 資料集Collections
8-4 邏輯流程控制
8-5 函數
8-6 常用資料集處理方法
8-7 模式匹配Pattern Matching
應用篇
第 9 章 大數據分析應用基礎
9-1 字數計算(word count)
9-2 矩陣相乘
9-3 頻繁項(frequent items)分析
9-4 One-hot 編碼
9-5 相似性(similarity)計算
9-6 文件資料反向排序
第 10 章 大數據分析範例—葡萄酒分析
10-1 葡萄酒品質資料集
10-2 讀入資料檔
10-3 基本統計資料
10-4 建立LabeledPoint 資料類別格式
10-5 資料標準化
10-6 切割資料集
10-7 預測模型訓練
10-8 預測與模式評估MSE
10-9 參數最佳組合與模型測試
10-10 結論
第 11 章 大數據分析範例—書籍推薦
11-1 推薦技術
11-2 書籍資料集
11-3 讀入資料檔與資料前處理
11-4 建立Rating 資料格式
11-5 切割資料集
11-6 預測模型訓練
11-7 計算均方差MSE
11-8 參數最佳組合與最佳模型
11-9 使用最佳模型進行推薦
第 12 章 大數據分析範例—鳶尾花分類
12-1 大數據分析流程
12-2 分類演算法
12-3 鳶尾花資料集
12-4 讀入資料檔與資料前處理
12-5 資料集隨機切割
12-6 模式設定與訓練
12-7 使用評價器(evaluator)計算準確度
12-8 交叉驗證
12-9 使用最佳模式來預測新值
附錄 參考文獻