分布式機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

目錄

第1章互聯(lián)網(wǎng)公司大數(shù)據(jù)和人工智能那些事

1.1大數(shù)據(jù)和人工智能在互聯(lián)網(wǎng)公司扮演的角色和重要性

1.1.1什么是大數(shù)據(jù)，扮演的角色和重要性

1.1.2什么是人工智能，扮演的角色和重要性

1.1.3大數(shù)據(jù)和人工智能有什么區(qū)別，又是如何相互關(guān)聯(lián)

1.2大數(shù)據(jù)部門組織架構(gòu)和各種職位介紹

1.2.1大數(shù)據(jù)部門組織架構(gòu)

1.2.2各種職位介紹和技能要求

1.2.3不同職位相互協(xié)調(diào)配合關(guān)系

1.2.4各個(gè)職位的職業(yè)生涯規(guī)劃和發(fā)展路徑

1.2.5各個(gè)職位的市場平均薪資水平

第2章大數(shù)據(jù)算法系統(tǒng)架構(gòu)

2.1經(jīng)典應(yīng)用場景

2.2應(yīng)用系統(tǒng)架構(gòu)設(shè)計(jì)

第3章大數(shù)據(jù)基礎(chǔ)

3.1Hadoop大數(shù)據(jù)平臺搭建

3.1.1Hadoop原理和功能介紹

3.1.2Hadoop安裝部署

3.1.3Hadoop常用操作命令

3.2Hive數(shù)據(jù)倉庫實(shí)戰(zhàn)

3.2.1Hive原理和功能介紹

3.2.2Hive安裝部署

3.2.3Hive SQL操作

3.2.4UDF函數(shù)

3.2.5Hive數(shù)據(jù)倉庫模型設(shè)計(jì)

3.3HBase實(shí)戰(zhàn)

3.3.1HBase原理和功能介紹

3.3.2HBase數(shù)據(jù)結(jié)構(gòu)和表詳解

3.3.3HBase安裝部署

3.3.4HBase Shell常用命令操作

3.3.5HBase客戶端類SQL工具Phoenix

3.3.6Hive集成HBase查詢數(shù)據(jù)

3.3.7HBase升級和數(shù)據(jù)遷移

3.4Sqoop數(shù)據(jù)ETL工具實(shí)戰(zhàn)

3.4.1Sqoop原理和功能介紹

3.4.2Sqoop常用操作

3.5Spark基礎(chǔ)

3.5.1Spark原理和介紹

3.5.2Spark MLlib機(jī)器學(xué)習(xí)介紹

3.5.3Spark GraphX圖計(jì)算介紹

3.5.4Spark Streaming流式計(jì)算介紹

3.5.5Scala編程入門和Spark編程

3.5.6Spark項(xiàng)目案例實(shí)戰(zhàn)和分布式部署

第4章Docker容器

4.1Docker介紹

4.1.1能用Docker做什么

4.1.2Docker容器基本概念

4.2Docker容器部署

4.2.1基礎(chǔ)環(huán)境安裝

4.2.2Docker常用命令

第5章Mahout分布式機(jī)器學(xué)習(xí)平臺

5.1Mahout挖掘平臺

5.1.1Mahout原理和介紹

5.1.2Mahout安裝部署

5.2Mahout機(jī)器學(xué)習(xí)算法

5.2.1Mahout算法概覽

5.2.2潛在狄利克雷分配模型

5.2.3MinHash聚類

5.2.4Kmeans聚類

5.2.5Canopy聚類

5.2.6MeanShift均值漂移聚類

5.2.7Fkmeans模糊聚類

5.2.8貝葉斯分類算法

5.2.9SGD邏輯回歸分類算法

5.2.10隨機(jī)森林分類算法

5.2.11關(guān)聯(lián)規(guī)則之頻繁項(xiàng)集挖掘算法

5.2.12協(xié)同過濾算法

5.2.13遺傳算法

第6章Spark分布式機(jī)器學(xué)習(xí)平臺

6.1Spark機(jī)器學(xué)習(xí)庫

6.1.1Spark機(jī)器學(xué)習(xí)簡介

6.1.2算法概覽

6.2各個(gè)算法介紹和編程實(shí)戰(zhàn)

6.2.1推薦算法交替最小二乘法

6.2.2邏輯回歸

6.2.3決策樹

6.2.4隨機(jī)森林

6.2.5梯度提升決策樹

6.2.6支持向量機(jī)

6.2.7樸素貝葉斯

6.2.8序列模式挖掘PrefixSpan

6.2.9Word2vec詞向量模型

6.2.10多層感知器神經(jīng)網(wǎng)絡(luò)

第7章分布式深度學(xué)習(xí)實(shí)戰(zhàn)

7.1TensorFlow深度學(xué)習(xí)框架

7.1.1TensorFlow原理和介紹

7.1.2TensorFlow安裝部署

7.2MXNet深度學(xué)習(xí)框架

7.2.1MXNet原理和介紹

7.2.2MXNet安裝部署

7.3神經(jīng)網(wǎng)絡(luò)算法

7.3.1多層感知器算法

7.3.2卷積神經(jīng)網(wǎng)絡(luò)

7.3.3循環(huán)神經(jīng)網(wǎng)絡(luò)

7.3.4長短期記憶神經(jīng)網(wǎng)絡(luò)

7.3.5端到端神經(jīng)網(wǎng)絡(luò)

7.3.6生成對抗網(wǎng)絡(luò)

7.3.7深度強(qiáng)化學(xué)習(xí)

7.3.8TensorFlow分布式訓(xùn)練實(shí)戰(zhàn)

7.3.9分布式TensorFlow on Kubernetes集群實(shí)戰(zhàn)

第8章完整工業(yè)級系統(tǒng)實(shí)戰(zhàn)

8.1推薦算法系統(tǒng)實(shí)戰(zhàn)

8.1.1推薦系統(tǒng)架構(gòu)設(shè)計(jì)

8.1.2推薦數(shù)據(jù)倉庫集市

8.1.3ETL數(shù)據(jù)處理

8.1.4協(xié)同過濾用戶行為挖掘

8.1.5ContentBase文本挖掘算法

8.1.6用戶畫像興趣標(biāo)簽提取算法

8.1.7基于用戶心理學(xué)模型推薦

8.1.8多策略融合算法

8.1.9準(zhǔn)實(shí)時(shí)在線學(xué)習(xí)推薦引擎

8.1.10Redis緩存處理

8.1.11分布式搜索

8.1.12推薦Rerank二次重排序算法

8.1.13在線Web實(shí)時(shí)推薦引擎服務(wù)

8.1.14在線AB測試推薦效果評估

8.1.15離線AB測試推薦效果評估

8.1.16推薦位管理平臺

8.2人臉識別實(shí)戰(zhàn)

8.2.1人臉識別原理與介紹

8.2.2人臉識別應(yīng)用場景

8.2.3人臉檢測與對齊

8.2.4人臉識別比對

8.2.5人臉年齡識別

8.2.6人臉性別預(yù)測

8.3對話機(jī)器人實(shí)戰(zhàn)

8.3.1對話機(jī)器人原理與介紹

8.3.2基于TensorFlow的對話機(jī)器人

8.3.3基于MXNet的對話機(jī)器人

8.3.4基于深度強(qiáng)化學(xué)習(xí)的機(jī)器人

8.3.5基于搜索引擎的對話機(jī)器人

8.3.6對話機(jī)器人的Web服務(wù)工程化

參考文獻(xiàn)