学习编程拼图理论的框架整理
介绍
机器学习是大数据技术的制高点，是大数据技术人员核心竞争力之所在，是企业大数据使用的灵魂，是每个想在大数据领域的有卓越价值的技术人员都必须掌握的内容！
Spark 在机器学习方面有着无与伦比的优势，特别适合需要多次迭代计算的算法。
同时 Spark 的拥有非常出色的容错和调度机制，确保系统的高效稳定运行，Spark 目前的发展理念是通过一个计算框架集合 SQL、Machine Learning、Graph Computing、Streaming Computing 等多种功能于一个项目中，其中的机器学习部分也是 Spark 从 2015 年开始开发的重心，在已有的算法的基础上会有越来越多算法存在MLLib 中，同时 Spark 本身会对自定义机器学习算法实现也提供了越来越强的支持，是目前分布式机器
学习领域最具有潜力的平台。
本课程讲解了 Machine Learning on Spark 方方面面的内容，从算法解析与实现、到算法的使用、再
到算法的源码解析，以及算法的性能优化等问题，具体如下：
- 广义线性模型详解与实战
- 推荐算法及系统详解与实战
- 聚类算法详解与实战
- 流式机器学习详解与实战
- 机器学习流水线详解与实战
- 机器学习中的科学计算详解与实战
- 决策树与组合学习详解与实战
- 机器学习算法评测详解与实战
- 优化算法并行化详解与实战
- 大数据机器学习个人和企业致胜之道
掌握上述内容，可以助您和企业轻松驾驭 Spark 机器学习，笑傲大数据时代！
适用对象
1， Spark 编程工程师；
2， 大数据算法工程师；
框架内容
Spark 编程模型
RDD
transformation
action
persist&checkpoint
lineage
宽依赖与窄依赖
深入 Spark 内核
Spark 集群
任务调度
DAGScheduler
TaskScheduler
Master 内部揭秘
Task 内部揭秘
广义线性模型详解与实战
逻辑回归
线性回归
SVM
LASSO
岭回归
广义线性模型代码及示例
推荐算法及系统详解与实战
ALS 算法
奇异值分解
Mahout 与 MLlib 的对比分析
推荐系统的搭建示例
聚类算法详解与实战
k-means
LDA
高斯混合模型
Power Iteration 聚类
聚类算法应用示例
流式机器学习详解与实战
Lambda 架构
参数服务器
from Freeman labs 提供的流式算法
应用示例
机器学习流水线详解与实战
Scikit-learn 的流水线（包括 Pandas 等对比）
Spark 的流水线（如 DataFrame 以及 ML 组件）
特征提取与变换
应用示例及对比
机器学习中的科学计算详解与实战
矩阵计算中的注意事项
矩阵计算的组件(in C/Fortran and Java)
MLlib 中的矩阵计算
MLlib 中的统计方法
决策树与组合学习详解与实战
MLlib 中的决策树
随机森林算法
Gradient-Boosted Trees
实践中的组合学习
机器学习算法评测详解与实战
评测方法
Cross validation 与 Grid Search
MLlib 中的实现
在线、离线测评方法
优化算法并行化详解与实战
常用的优化算法
优化算法的串行基因
计算模型：从 BSP 到 BSP+再到 SSP
大数据机器学习个人和企业致胜之道
机器学习/数据分析的一般步骤
实践机器学习的再思考
Mahout、Oryx、VM 以及一些 python 的包，SparkR，PySpark等的对比
机器学习个人最佳学习路径
企业使用机器学习最佳实践
