云計(jì)算環(huán)境下Spark大數(shù)據(jù)處理技術(shù)與實(shí)踐

第1章 大數(shù)據(jù)處理概述 1
1.1 大數(shù)據(jù)處理技術(shù)概述 1
1.1.1 什么是大數(shù)據(jù) 1
1.1.2 大數(shù)據(jù)來源 2
1.1.3 大數(shù)據(jù)應(yīng)用價值 3
1.1.4 大數(shù)據(jù)技術(shù)特點(diǎn)和研究內(nèi)容 4
1.1.5 大數(shù)據(jù)計(jì)算與系統(tǒng) 5
1.2 數(shù)據(jù)挖掘及其相關(guān)領(lǐng)域應(yīng)用 9
1.2.1 數(shù)據(jù)挖掘概述 9
1.2.2 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí) 11
1.2.3 數(shù)據(jù)挖掘與數(shù)據(jù)庫 11
1.2.4 數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué) 12
1.2.5 數(shù)據(jù)挖掘與決策支持 12
1.2.6 數(shù)據(jù)挖掘與云計(jì)算 13
1.3 大數(shù)據(jù)應(yīng)用 13
1.3.1 大數(shù)據(jù)應(yīng)用案例 13
1.3.2 大數(shù)據(jù)應(yīng)用場景 14
1.3.3 大數(shù)據(jù)應(yīng)用平臺方案案例 21
1.4 并行計(jì)算簡介 23
1.5 Hadoop介紹 24
1.6 本章小結(jié) 26
第2章 云計(jì)算時代 27
2.1 云計(jì)算概述 27
2.1.1 云計(jì)算概念 27
2.1.2 云計(jì)算發(fā)展簡史 28
2.1.3 云計(jì)算實(shí)現(xiàn)機(jī)制 30
2.1.4 云計(jì)算服務(wù)形式 31
2.1.5 云計(jì)算時代的數(shù)據(jù)庫NoSQL 32
2.2 云計(jì)算發(fā)展動力源泉 34
2.3 云計(jì)算技術(shù)分析 34
2.3.1 編程模式 34
2.3.2 海量數(shù)據(jù)云存儲技術(shù) 37
2.3.3 海量數(shù)據(jù)管理技術(shù) 38
2.3.4 虛擬化技術(shù) 39
2.3.5 分布式計(jì)算 41
2.3.6 云監(jiān)測技術(shù) 41
2.4 并行計(jì)算與云計(jì)算關(guān)系 43
2.4.1 并行計(jì)算與云計(jì)算 44
2.4.2 MapReduce 45
2.5 云計(jì)算發(fā)展優(yōu)勢 51
2.6 向云實(shí)現(xiàn)遷移 53
2.7 本章小結(jié) 55
第3章 大數(shù)據(jù)與云計(jì)算關(guān)系 56
3.1 云計(jì)算與大數(shù)據(jù)關(guān)系 56
3.2 大數(shù)據(jù)與云計(jì)算的融合是認(rèn)識世界的新工具 57
3.3 大數(shù)據(jù)隱私保護(hù)是大數(shù)據(jù)云快速發(fā)展和運(yùn)用的重要前提 59
3.3.1 云計(jì)算的安全隱私 60
3.3.2 大數(shù)據(jù)的安全隱私 60
3.4 大數(shù)據(jù)成就云計(jì)算價值 62
3.5 數(shù)據(jù)向云計(jì)算遷移 63
3.6 大數(shù)據(jù)清洗 64
3.7 云計(jì)算時代的數(shù)據(jù)集成技術(shù) 66
3.8 云推薦 67
3.9 本章小結(jié) 68
第4章 Spark大數(shù)據(jù)處理基礎(chǔ) 69
4.1 Spark大數(shù)據(jù)處理技術(shù) 69
4.1.1 Spark系統(tǒng)概述 69
4.1.2 Spark生態(tài)系統(tǒng)BDAS（伯利克分析棧） 70
4.1.3 Spark的用武之地 71
4.1.4 Spark大數(shù)據(jù)處理框架 72
4.1.5 Spark運(yùn)行模式分類及術(shù)語 73
4.2 Spark 2.0.0安裝配置 74
4.2.1 在Linux集群上安裝與配置Spark 74
4.2.2 Spark Shell 81
4.2.3 Spark RDD 88
4.2.4 Shark（Hive on Spark大型的數(shù)據(jù)倉庫系統(tǒng)） 91
4.3 Spark配置 92
4.3.1 環(huán)境變量 92
4.3.2 系統(tǒng)屬性 93
4.3.3 配置日志 95
4.3.4 Spark 硬件配置 95
4.4 Spark模式部署概述 96
4.5 Spark Streaming實(shí)時計(jì)算框架 98
4.6 Spark SQL 查詢、DataFrames分布式數(shù)據(jù)集和Datasets API 101
4.7 Spark起始點(diǎn) 102
4.7.1 SparkSession 102
4.7.2 SQLContext 103
4.7.3 創(chuàng)建DataFrame 104
4.7.4 無類型的Dataset操作（aka DataFrame Operations） 105
4.7.5 編程執(zhí)行SQL查詢語句 111
4.7.6 創(chuàng)建Dataset 112
4.7.7 和RDD互操作 115
4.8 Spark數(shù)據(jù)源 125
4.8.1 通用加載/保存函數(shù) 125
4.8.2 Parquet文件 127
4.8.3 JSON數(shù)據(jù)集 135
4.8.4 Hive表 136
4.8.5 用JDBC連接其他數(shù)據(jù)庫 143
4.9 Spark性能調(diào)優(yōu) 144
4.10 分布式SQL引擎 145
4.11 本章小結(jié) 146
第5章 Spark MLlib機(jī)器學(xué)習(xí)算法實(shí)現(xiàn) 147
5.1 Spark MLlib基礎(chǔ) 147
5.1.1 機(jī)器學(xué)習(xí) 148
5.1.2 機(jī)器學(xué)習(xí)分類 148
5.1.3 機(jī)器學(xué)習(xí)常見算法 149
5.1.4 Spark MLlib機(jī)器學(xué)習(xí)庫 152
5.1.5 基于Spark常用的算法舉例分析 156
5.2 Spark MLlib矩陣向量 159
5.2.1 Breeze創(chuàng)建函數(shù) 159
5.2.2 Breeze元素訪問 161
5.2.3 Breeze元素操作 162
5.2.4 Breeze數(shù)值計(jì)算函數(shù) 165
5.2.5 Breeze求和函數(shù) 166
5.2.6 Breeze布爾函數(shù) 167
5.2.7 Breeze線性代數(shù)函數(shù) 168
5.2.8 Breeze取整函數(shù) 169
5.2.9 Breeze三角函數(shù) 170
5.2.10 BLAS向量運(yùn)算 170
5.3 Spark MLlib線性回歸算法 171
5.3.1 線性回歸算法理論基礎(chǔ) 171
5.3.2 線性回歸算法 172
5.3.3 Spark MLlib Linear Regression源碼分析 174
5.4 Spark MLlib邏輯回歸算法 183
5.4.1 邏輯回歸算法 184
5.4.2 Spark MLlib Logistic Regression源碼分析 186
5.5 Spark MLlib樸素貝葉斯分類算法 199
5.5.1 樸素貝葉斯分類算法 200
5.5.2 樸素貝葉斯Spark MLlib源碼 203
5.6 Spark MLlib決策樹算法 217
5.6.1 決策樹算法 217
5.6.2 決策樹實(shí)例 220
5.7 Spark MLlib KMeans聚類算法 227
5.7.1 KMeans聚類算法 227
5.7.2 Spark MLlib KMeans源碼分析 228
5.7.3 MLlib KMeans實(shí)例 235
5.8 Spark MLlib FPGrowth關(guān)聯(lián)規(guī)則算法 236
5.8.1 基本概念 236
5.8.2 FPGrowth算法 237
5.8.3 Spark MLlib FPGrowth源碼分析 241
5.9 Spark MLlib協(xié)同過濾推薦算法 244
5.9.1 協(xié)同過濾概念 244
5.9.2 相似度度量 245
5.9.3 協(xié)同過濾算法按照數(shù)據(jù)使用分類 246
5.9.4 Spark MLlib協(xié)同過濾算法實(shí)現(xiàn) 247
5.9.5 Spark MLlib電影評級推薦 252
5.10 Spark MLlib神經(jīng)網(wǎng)絡(luò)算法 261
5.11 本章小結(jié) 264