Mahout算法解析与案例实战

作者简介

【编辑推荐】

全面分析Mahout算法库中不同模块中各个算法的原理及其Mahout实现流程

每个算法都辅之以实战案例，同时还包括4个系统级案例，实战性强

【内容简介】

本书是一本经典的Mahout著作，原理与实战并重。不仅全面分析了Mahout算法库不同模块中的各个算法的原理及其实现流程，而且每个算法都辅之以实战案例。此外，还包括4个系统级案例，实战性非常强。

全书11章共分为三个部分：第一部分为基础篇（第1～2章），首先介绍了Mahout的应用背景、Mahout算法库收录的算法、Mahout的应用实例，以及开发环境的搭建；第二部分为算法篇（第3～7章），分析了Mahout算法库中不同模块的各个算法的原理以及Mahout实现流程，同时在各章节含有每个算法的实战，让读者可以自己运行程序，感受程序运行的各个流程；第三部分为实战篇（第8～11章），通过对4个不同系统案例的分析讲解，让读者了解开发完整的云平台系统的各个流程，即需求分析、系统框架选择及构建、系统功能设计和功能开发。

书籍目录

第一部分　基础篇

第1章　Mahout简介   2

1.1　Mahout应用背景   2

1.2　Mahout算法库   3

1.2.1　聚类算法   4

1.2.2　分类算法   5

1.2.3　协同过滤算法   6

1.2.4　频繁项集挖掘算法   7

1.3　Mahout应用   7

1.4　本章小结   8

第2章　Mahout安装配置   9

2.1　Mahout安装前的准备   9

2.1.1　安装JDK   10

2.1.2　安装Hadoop   12

2.2　两种安装方式   20

2.2.1　使用Maven安装   20

2.2.2　下载发布版安装   22

2.3　测试安装   22

2.4　本章小结   24

第二部分　算法篇

第3章　聚类算法   26

3.1　Canopy算法   26

3.1.1　Canopy算法简介   26

3.1.2　Mahout中Canopy算法实现原理   28

3.1.3　Mahout的Canopy算法实战   29

3.1.4　Canopy算法小结   37

3.2　K-Means算法   37

3.2.1　K-Means算法简介   37

3.2.2　Mahout中K-Means算法实现原理   38

3.2.3　Mahout的K-Means算法实战   39

3.2.4　K-Means算法小结   46

3.3　Mean Shift算法   46

3.3.1　Mean Shift算法简介   46

3.3.2　Mahout中Mean Shift算法实现原理   46

3.3.3　Mahout的Mean Shift算法实战   48

3.3.4　Mean Shift算法小结   51

3.4　本章小结   51

第4章　分类算法   52

4.1　 Bayesian算法   53

4.1.1　Bayesian算法简介   53

4.1.2　Mahout 中Bayesian算法实现原理   55

4.1.3　Mahout的Bayesian算法实战   59

4.1.4　拓展   70

4.1.5　Bayesian算法小结   70

4.2　Random Forests算法   70

4.2.1　Random Forests算法简介   70

4.2.2　Mahout中Random Forests算法实现原理   72

4.2.3　Mahout的Random Forests算法实战   77

4.2.4　拓展   81

4.2.5　Random Forests算法小结   82

4.3　本章小结   83

第5章　协同过滤算法   84

5.1　Distributed Item-Based Collaborative Filtering算法   85

5.1.1　Distributed Item-Based Collaborative Filtering算法简介   85

5.1.2　Mahout中Distributed ItemBased Collaborative Filtering算法实现原理   86

5.1.3　Mahout的Distributed Item Based Collaborative Filtering算法实战   90

5.1.4　拓展   93

5.1.5　Distributed ItemBased Collabo-rative Filtering算法小结   94

5.2　Collaborative Filtering with ALSWR算法   94

5.2.1　Collaborative Filtering with ALSWR算法简介   94

5.2.2　Mahout中Collaborative Filtering with ALS-WR算法实现原理   98

5.2.3　Mahout的Collaborative Filtering with ALS-WR算法实战   99

5.2.4　拓展   107

5.2.5　Collaborative Filtering with ALSWR算法小结   107

5.3　本章小结   107

第6章　模式挖掘算法   108

6.1　FP树关联规则算法   109

6.1.1　FP树关联规则算法简介   109

6.1.2　Mahout中Parallel Frequent Pattern Mining算法实现原理   113

6.1.3　Mahout的Parallel Frequent Pattern Mining算法实战   120

6.1.4　拓展   125

6.2　本章小结   126

第7章　Mahout中的其他算法   127

7.1　Dimension Reduction算法   128

7.1.1　Dimension Reduction算法简介   128

7.1.2　Mahout中Dimension Reduction算法实现原理   129

7.1.3　Mahout的Dimension Reduction算法实战   133

7.1.4　拓展   139

7.2　本章小结   142

第三部分　实战篇

第8章　Friend Find系统   144

8.1　系统功能   145

8.1.1　系统管理员   145

8.1.2　普通用户   146

8.1.3　总体功能   146

8.2　数据库设计   147

8.2.1　原始用户数据表   148

8.2.2　注册用户数据表   149

8.2.3　系统管理员表   149

8.2.4　聚类中心表   149

8.3　系统技术框架   150

8.4　系统流程   152

8.4.1　登录   152

8.4.2　注册   153

8.4.3　上传数据   154

8.4.4　调用K-Means算法   155

8.4.5　查看用户分组   157

8.4.6　查看分组情况   158

8.4.7　查看分组成员   159

8.5　系统实现   159

8.5.1　登录   159

8.5.2　注册   161

8.5.3　上传数据   162

8.5.4　调用K-Means算法   163

8.5.5　查看用户分组   167

8.5.6　查看分组情况   167

8.5.7　查看分组成员   168

8.6　本章小结   170

第9章　Wine Identification系统   171

9.1　系统功能   172

9.1.1　用户管理模块   173

9.1.2　随机森林模型建立模块   173

9.1.3　随机森林模型预测模块   173

9.2　系统框架   173

9.3　数据库设计   180

9.3.1　用户表   180

9.3.2　系统常量表   181

9.4　系统流程   181

9.4.1　登录   182

9.4.2　注销   182

9.4.3　权限修改   182

9.4.4　密码修改   183

9.4.5　用户列表   183

9.4.6　数据上传   184

9.4.7　随机森林模型建立   185

9.4.8　随机森林模型评估   186

9.4.9　随机森林模型预测   187

9.5　系统实现   188

9.5.1　登录   188

9.5.2　注销   188

9.5.3　权限修改   189

9.5.4　密码修改   190

9.5.5　用户列表   191

9.5.6　数据上传   193

9.5.7　随机森林模型建立   194

9.5.8　随机森林模型评估   194

9.5.9　随机森林模型预测   195

9.6　本章小结   196

第10章　Dating Recommender系统   197

10.1　系统功能   198

10.1.1　系统管理员功能   198

10.1.2　普通用户功能   199

10.1.3　功能总述   199

10.2　系统框架   200

10.3　数据库设计   203

10.3.1　系统管理员表   203

10.3.2　原始用户推荐信息表   204

10.3.3　基础数据top10表   204

10.4　系统流程   204

10.4.1　登录   205

10.4.2　上传数据   205

10.4.3　推荐分析   206

10.4.4　单用户推荐   210

10.4.5　新用户推荐   211

10.5　算法设计   214

10.5.1　协同过滤算法接口设计   214

10.5.2　top10算法设计   215

10.5.3　新用户推荐算法设计   221

10.6　系统实现   228

10.6.1　登录   228

10.6.2　上传数据   229

10.6.3　推荐分析   230

10.6.4　单用户推荐   232

10.6.5　新用户推荐   234

10.7　本章小结   235

第11章　博客推荐系统   237

11.1　系统功能   238

11.1.1　用户管理   238

11.1.2　建立知识库   239

11.1.3　博客管理   239

11.2　系统框架   240

11.3　数据库设计   246

11.3.1　用户信息表   246

11.3.2　知识库信息表   247

11.3.3　系统常量表   248

11.4　系统流程   248

11.4.1　登录   248

11.4.2　注册   248

11.4.3　密码修改   249

11.4.4　订阅博客查看   249

11.4.5　博客订阅与退订   249

11.4.6　博客推荐   250

11.4.7　上传数据   252

11.4.8　调用FP树关联规则算法   253

11.5　算法设计   260

11.6　系统实现   262

11.6.1　登录   262

11.6.2　注册   263

11.6.3　密码修改   264

11.6.4　订阅博客查看   265

11.6.5　运行FP云算法   266

11.6.6　博客订阅与退订   267

11.6.7　博客推荐   268

11.7　本章小结   270

内容概要

樊哲　资深软件开发工程师，精通Java相关技术，专注数据挖掘领域，对Hadoop和Mahout等大数据技术有较深入的研究和丰富的实践，目前正从事Mahout算法开发方面的工作。活跃于CSDN和Hadoop技术论坛等社区，荣获“CSDN2013博客之星”头衔。

 Mahout算法解析与案例实战下载