基於鯤鵬的大數據挖掘算法實戰






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄叢書序前言第1章大數據挖掘技術概述 1.1 大數據技術重要性 1.2 大數據概念和類型 1.3 大數據挖掘技術 1.3.1 大數據採集技術 1.3.2 大數據預處理技術 1.3.3 大數據分析和挖掘技術 1.3.4 大數據視覺化技術 1.3.5 大數據應用 1.4 大數據挖掘系統架構 1.4.1 大數據存儲系統 1.4.2 大數據處理系統 1.4.3 大數據視覺化和應用系統 1.5 大數據挖掘技術的特性 1.6 新技術浪潮下的大數據挖掘技術參考文獻第2章分散式開發框架 2.1 分散式並行策略 2.1.1 數據並行 2.1.2 模型並行 2.2 分散式協調 2.2.1 ZooKeeper簡介 2.2.2 數據模型 2.2.3 ZooKeeper體系結構 2.2.4 分散式鎖 2.3 分散式通信 2.3.1 分散式通信機制 2.3.2 分散式通信拓撲 2.4 分散式一致性算法 2.4.1 一致性雜湊 2.4.2 Paxos算法 2.4.3 Raft算法 2.5 分散式運算框架 2.5.1 Hadoop 2.5.2 Spark 2.5.3 Flink 2.5.4 Ray 參考文獻第3章經典挖掘算法 3.1 主成分分析 3.1.1 算法介紹 3.1.2 算法推導 3.2 線性回歸 3.2.1 線性回歸的損失函數 3.2.2 優化求解方法 3.2.3 正則化 3.3 邏輯回歸 3.3.1 Logistic函數 3.3.2 邏輯回歸的損失函數 3.3.3 多分類問題 3.4 線性支援向量機 3.4.1 支持向量機的基本概念 3.4.2 線性支援向量機的損失函數 3.5 決策樹 3.5.1 決策樹算法概述 3.5.2 ID3決策樹算法 3.5.3 C4.5算法 3.5.4 分類回歸樹（CART） 3.6 隨機森林 3.7 梯度提升決策樹 3.7.1 負梯度與殘差 3.7.2 GBDT的計算原理 3.7.3 GBDT常用的損失函數 3.8 XGBoost 3.8.1 XGBoost預測模型 3.8.2 目標函數 3.8.3 XGBoost算法分析 3.9 交替小二乘法 3.9.1 顯式回饋 3.9.2 隱式回饋參考文獻第4章鯤鵬BoostKit大數據挖掘 4.1 鯤鵬晶片 4.1.1 鯤鵬晶片的發展 4.1.2 鯤鵬920處理器 4.1.3 鯤鵬920處理器的特點 4.2 鯤鵬BoostKit使能大數據場景 4.2.1 鯤鵬應用使能套件BoostKit 4.2.2 鯤鵬BoostKit大數據使能套件 4.3 鯤鵬BoostKit大數據機器學習算法庫 4.3.1 算法介紹 4.3.2 機器學習算法庫的使用方法第5章數據挖掘算法在鯤鵬的優化實踐 5.1 主成分分析 5.1.1 Covariance方法實現 5.1.2 SVD方法實現 5.1.3 鯤鵬BoostKit算法API介紹 5.2 邏輯回歸 5.2.1 概念回顧 5.2.2 優化求解 5.2.3 分散式實現 5.2.4 鯤鵬BoostKit算法API介紹 5.3 隨機森林 5.3.1 隨機森林基礎回顧 5.3.2 隨機森林分散式實現與優化 5.3.3 鯤鵬BoostKit算法API介紹 5.4 XGBoost 5.4.1 XGBoost的基礎回顧 5.4.2 XGBoost4J-Spark實現詳解 5.4.3 XGBoost單輪分散式訓練實現詳解 5.4.4 鯤鵬BoostKit算法API介紹 5.5 交替小二乘法 5.5.1 分散式實現流程 5.5.2 分散式實現詳解 5.5.3 鯤鵬BoostKit算法API介紹參考文獻第6章數據挖掘算法應用案例 6.1 商品案例 6.1.1 場景介紹 6.1.2 整體方案 6.1.3 關鍵步驟 6.1.4 小結 6.2 房價預測案例 6.2.1 場景介紹 6.2.2 整體方案 6.2.3 關鍵步驟 6.2.4 小結 6.3 客戶細分案例 6.3.1 場景介紹 6.3.2 整體方案 6.3.3 關鍵步驟 6.3.4 小結