Hadoop + Spark 大數據巨量分析與機器學習整合開發實戰

<內容簡介>

• ◆技術為金融財務、行銷分析、商業趨勢預測帶來全新的變革
  ◆詳實的安裝設定與程式編寫說明降低學習入門門檻
  ◆可單機執行或以實機／虛擬機器建立多台演算陣列
  ◆具備大量實務案例分析與程式碼範例實作
  
  大數據分析與機器學習人工智慧帶來資訊科技革命的第五波新浪潮
  創新產業　　　　　　大量商機　　　　　　人才需求
  
  一般人可能會認為大數據需要很多台機器的環境才能學習，但是本書透過虛擬機器的方法，
  就能在自家電腦演練建立Hadoop叢集，並且建立Spark開發環境。
  以實機操作介紹Hadoop MapReduce與HDFS基本概念，以及Spark RDD與MapReduce基本觀念。
  以大數據分析實務案例：MoiveLens（電影喜好推薦引擎）、StumbleUpon（網頁二元分類）、
  CovType（林相土地演算）、Bike Sharing（Ubike類租賃預測分析）。
  配合範例程式碼來介紹各種機器學習演算法，示範如何擷取資料、訓練資料、建立模型、預測結果，
  由淺而深介紹Spark機器學習。
  
  大數據對每個領域都造成影響。在商業、經濟及其他領域中，將大量資料進行分析後，就可得出許多資料關聯性。可用於預測商業趨勢、行銷研究、金融財務、疾病研究、打擊犯罪等。大數據對每一個公司的決策方式將發生變革－決策方式將基於資料和分析的結果，而不是依靠經驗和直覺。
  資訊科技浪潮第一波是大型電腦，第二波是個人電腦，第三波是網路，第四波是社群媒體，第五波科技則是「大數據」。每一波的的資訊科技浪潮，總是帶來工作與生活方式的改變，創造大量商機、新的產業、大量的工作機會。像是在網路時代，創造了Google、Amazon 等大公司，以及無數.com 公司。
  每一波浪潮開始時，需求的相關人才最多，但是此時也是相關人才供應最少。因此對個人而言，如果能在浪潮興起時就投入，往往成果最豐碩，並且有機會占有重要職位。像是網路剛興起時，每個公司都需要建立網站，但是相對這方面的人才不夠。那時候能撰寫網頁相關程式語言的工程師就能夠獲得高薪。但是後來投入的人越來越多，這方面的工程師就沒有那麼吃香了。
  之前的科技浪潮，也許你沒有機會躬逢其盛，或是沒有機會在浪潮初期進入。但是大數據的浪潮方興未艾，正是進入的好時機。根據IBM 調查預估，大數據目前的商機是71 億美元，並將以每年增長20％速度持續成長，預計2015 年達到180 億美元。機會是給有準備的人，學會了大數據分析的相關技能，讓你有機會獲得更好的薪資與發展前景。根據美國調查機構Robert Half Technology 2016 年趨勢報告，在美國大數據工程師，薪水年成長8.9%，年薪大約13 萬至18 萬美金（約新台幣429 萬元~594 萬元）。因為人才短缺，企業不惜重金挖角。（你可以在google 搜尋Robert Half Technology 2016 就可以下載此調查報告）
  本書的主題是Haddop+Spark大數據分析與機器學習。Hadoop 大家已經知道是運用最多的大數據平台，然而Spark 異軍突起，與Hadoop 相容而且執行速度更快，各大公司也開始加入Spark 開發。例如IBM 加入Apache Spark 社群打算培育百萬名資料科學家。Google 與微軟也分別應用了Spark 的功能來建置服務、發展大數據分析雲端與機器學習平臺。這些大公司的加入，也意味著未來更多公司會採用Hadoop+Spark 進行大數據資料分析。
  然而目前市面上雖然很多大數據的書，但是多半偏向理論或應用層面的介紹，網路上的資訊雖然很多，但是也很雜亂。本書介紹希望能夠用淺顯易懂原理說明，再加上實機操作、範例程式，能夠降低大數據技術的學習門檻，帶領讀者進入大數據與機器學習的領域。當然整個大數據的生態系非常龐大，需要學習的東西太多。希望讀者能透過本書有了基本概念後，比較容易踏入這門領域，能繼續深入研究其他大數據的相關技術。

<章節目錄>

• Chapter01 大數據與機器學習 
  1-1 大數據定義 
  1-2 Hadoop 簡介 
  1-3 Hadoop HDFS 分散式檔案系統 
  1-4 Hadoop MapReduce 介紹 
  1-5 Spark 介紹 
  1-6 機器學習介紹 
  
  Chapter02 Virtual Box 虛擬機器軟體安裝 
  2-1 VirtualBox 下載安裝 
  2-2 設定Virtual Box 儲存資料夾 
  2-3 在VirtualBox 建立虛擬機器 
  
  Chapter03 Ubuntu Linux 作業系統安裝 
  3-1 下載Ubuntu 安裝光碟檔案 
  3-2 在Virtual Box 設定Ubuntu 虛擬光碟檔案 
  3-3 開始安裝Ubuntu 
  3-4 啟動Ubuntu 
  3-5 安裝Guest Additions 
  3-6 設定預設輸入法 
  3-7 設定終端機程式 
  3-8 設定終端機白底黑字 
  3-9 設定共用剪貼簿 
  
  Chapter04 Hadoop Single Node Cluster 安裝 
  4-1 安裝JDK 
  4-2 設定SSH 無密碼登入 
  4-3 下載安裝Hadoop 
  4-4 設定Hadoop 環境變數 
  4-5 修改Hadoop 組態設定檔 
  4-6 建立與格式化HDFS 目錄 
  4-7 啟動Hadoop 
  4-8 開啟Hadoop Resource Manager Web 介面
  4-9 NameNode HDFS Web 介面 
  
  Chapter05 Hadoop Multi Node Cluster 安裝 
  5-1 複製Single Node Cluster 到data1 
  5-2 設定data1 伺服器 
  5-3 複製data1 伺服器至data2、data3、master 
  5-4 設定data2、data3 伺服器 
  5-5 設定master 伺服器 
  5-6 master 連線至data1、data2、data3 建立HDFS 目錄 
  5-7 建立與格式化NameNode HDFS 目錄 
  5-8 啟動Hadoop Multi Node Cluster 
  5-9 開啟Hadoop ResourceManager Web 介面
  5-10 開啟NameNode HDFS Web 介面 
  
  Chapter06 Hadoop HDFS 命令介紹 
  6-1 啟動Hadoop Multi-Node Cluster 
  6-2 建立與查看HDFS 目錄 
  6-3 從本機複製檔案到HDFS 
  6-4 將HDFS 上的檔案複製到本機 
  6-5 複製與刪除HDFS 檔案 
  6-6 Hadoop HDFS Web UI 介面瀏覽HDFS 
  
  Chapter07 Hadoop MapReduce 介紹 
  7-1 wordCount.java 介紹 
  7-2 編輯wordCount.java 
  7-3 編譯wordCount.java 
  7-4 下載測試文字檔 
  7-5 上傳文字檔至HDFS 
  7-6 執行wordCount.java 
  7-7 查看執行結果 
  7-8 Hadoop MapReduce 的缺點 
  
  Chapter08 Spark 安裝介紹 
  8-1 SPARK 的cluster 模式架構圖 
  8-2 Scala 介紹與安裝 
  8-3 安裝SPARK 
  8-4 啟動spark-shell 互動介面 
  8-5 設定spark-shell 顯示訊息 
  8-6 啟動Hadoop 
  8-7 本機執行Spark-shell 程式 
  8-8 在Hadoop YARN 執行spark-shell 
  8-9 建置Spark standalone cluster 執行環境 
  8-10 在Spark standalone 執行spark-shell 
  
  Chapter09 Spark RDD 介紹 
  9-1 RDD 的特性 
  9-2 基本RDD「轉換」運算 
  9-3 多個RDD「轉換」運算 
  9-4 基本「動作」運算 
  9-5 RDD Key-Value 基本「轉換」運算 
  9-6 多個RDD Key-Value「轉換」運算 
  9-7 Key-Value「動作」運算 
  9-8 Broadcast 廣播變數 
  9-9 accumulator 累加器 
  9-10 RDD Persistence 持久化 
  9-11 使用Spark 建立WordCount 
  9-12 Spark WordCount 詳細解說 
  
  Chapter10 Spark 整合開發環境介紹 
  10-1 下載與安裝Scala IDE 
  10-2 下載專案所需要的Library 
  10-3 啟動eclipse 
  10-4 建立新Spark 專案 
  10-5 設定專案程式庫 
  10-6 新增scala 程式 
  10-7 下載WordCount 測試資料 
  10-8 建立WordCount.scala 
  10-9 編譯WordCount.scala 程式
  10-10 執行WordCount.scala 程式
  10-11 匯出jar 檔 
  10-12 spark-submit 詳細介紹 
  10-13 在本機local 模式執行WordCount 程式 
  10-14 在hadoop yarn-client 執行WordCount 程式 
  10-15 WordCount 程式在Spark Standalone Cluster 執行 
  10-16 本書範例程式安裝說明 
  
  Chapter11 建立推薦引擎 
  11-1 推薦演算法介紹 
  11-2 「推薦引擎」大數據分析使用情境 
  11-3 ALS 推薦演算法介紹 
  11-4 ml-100k 推薦資料下載與介紹 
  11-5 使用spark-shell 匯入ml-100k 資料 
  11-6 查看匯入的資料 
  11-7 使用ALS.train 進行訓練 
  11-8 使用模型進行推薦 
  11-9 顯示推薦的電影的名稱 
  11-10 建立Recommend 專案 
  11-11 Recommend.scala 程式碼 
  11-12 建立PrepareData() 資料準備 
  11-13 recommend() 推薦程式碼 
  11-14 執行Recommend.scala 
  11-15 建立AlsEv alution.scala 調校訓練參數 
  11-16 建立PrepareData() 資料準備 
  11-17 進行訓練評估 
  11-18 執行AlsEv aluation 
  11-19 修改Recommend.scala 為最佳參數組合 
  
  Chapter12 StumbleUpon 資料集介紹 
  12-1 StumbleUpon 資料集 
  12-2 下載StumbleUpon 資料 
  12-3 以LibreOffice Calc 試算表查看train.tsv 
  12-4 二元分類演算法 
  
  Chapter13 決策樹二元分類 
  13-1 決策樹介紹 
  13-2 建立Classi fication 專案 
  13-3 建立RunDecisionTreeBinary.scala 程式 
  13-4 資料準備階段 
  13-5 訓練評估階段 
  13-6 預測階段 
  13-7 執行RunDecisionTreeBinary.scala 
  13-8 修改RunDecisionTreeBinary 調校訓練參數 
  13-9 RunDecisionTreeBinary 執行參數調校程式 
  13-10 RunDecisionTreeBinary 不執行參數調校程式 
  
  Chapter14 邏輯迴歸二元分類 
  14-1 邏輯迴歸分析介紹 
  14-2 RunLogisticRegressionWithSGDBinary.scala 程式說明 
  14-3 執行RunDecisionTreeRegression.scala 進行參數調校 
  14-4 執行RunDecisionTreeRegression.scala 不進行參數調校 
  
  Chapter15 支援向量機器SVM 二元分類 
  15-1 支援向量機器SVM 演算法基本概念 
  15-2 RunSVMWithSGDBinary.scala 程式說明 
  15-3 執行SVMWithSGD.scala 進行參數調校 
  15-4 執行SVMWithSGD.scala 不進行參數調校 
  
  Chapter16 單純貝氏二元分類 
  16-1 單純貝氏分析原理介紹 
  16-2 RunNaiveBayesBinary.scala 程式說明 
  16-3 執行NaiveBayes.scala 進行參數調校 
  16-4 執行NaiveBayes.scala 不進行參數調校 
  
  Chapter17 決策樹多元分類 
  17-1 「森林覆蓋樹種」大數據問題分析情境 
  17-2 UCI Covertype 資料集介紹 
  17-3 下載與查看資料 
  17-4 建立RunDecisionTreeMulti.scala 
  17-5 修改RunDecisionTreeMulti.scala 程式 
  17-6 執行RunDecisionTreeMulti.scala 進行參數調校 
  17-7 執行RunDecisionTreeMulti.scala 不進行參數調校 
  
  Chapter18 決策樹迴歸分析 
  18-1 Bike Sharing 大數據問題分析 
  18-2 Bike Sharing 資料集 
  18-3 下載與查看資料 
  18-4 建立RunDecisionTreeRegression.scala 
  18-5 修改RunDecisionTreeRegression.scala 
  18-6 執行RunDecisionTreeRegression.scala 執行參數調校 
  18-7 執行RunDecisionTreeRegression.scala 不執行參數調校 
  
  Chapter19 使用Apache Zeppelin 資料視覺化 
  19-1 Apache Zeppelin 介紹 
  19-2 安裝Zeppelin 前的準備 
  19-3 Apache Zeppelin 安裝 
  19-4 啟動Apache Zeppelin 
  19-5 建立新的Notebook 
  19-6 使用Zeppelin 執行Shell 命令 
  19-7 建立暫存資料表「UserTable」 
  19-8 使用Zeppelin 執行年齡統計Spark SQL 
  19-9 使用Zeppelin 執行性別統計Spark SQL 
  19-10 依照職業統計 
  19-11 Spark SQL 加入文字方塊輸入參數 
  19-12 加入選項參數 
  19-13 Zeppelin 在firefox 瀏覽器使用的問題 
  19-14 同時顯示多個統計欄位 
  19-15 工具列設定 
  19-16 設定段落標題 
  19-17 設定Paragraph 段落寬度 
  19-18 設定顯示模式

<作者簡介>

• 林大貴
  
  作者從事IT產業多年，涉獵系統設計、網站開發、數位行銷與商業智慧等多領域，具備豐富實務開發經驗。