本書理論聯繫實踐，深入淺出，知識點全面，通過閱讀本書，讀者不僅可以學習到分布式機器學習的知識，還能通過實戰案例更好地將理論融入到實際工作中。本書包含目前比較熱門的推薦算法繫統、人臉識別、對話機器人等實戰項目，讓讀者可以更好地理解分布式機器學習的核心內容。

●第1章 互聯網公司大數據和人工智能那些事
1.1 大數據和人工智能在互聯網公司扮演的角色和重要性
1.1.1 什麼是大數據，扮演的角色和重要性
1.1.2 什麼是人工智能，扮演的角色和重要性
1.1.3 大數據和人工智能有什麼區別，又是如何相互關聯
1.2 大數據部門組織架構和各種職位介紹
1.2.1 大數據部門組織架構
1.2.2 各種職位介紹和技能要求
1.2.3 不同職位相互協調配合關繫
1.2.4 各個職位的職業生涯規劃和發展路徑
1.2.5 各個職位的市場平均薪資水平
第2章 大數據算法繫統架構
2.1 經典應用場景
2.2 應用繫統架構設計
第3章 大數據基礎
3.1 Hadoop大數據平臺搭建
3.1.1 Hadoop原理和功能介紹
3.1.2 Hadoop安裝部署
3.1.3 Hadoop常用操作命令
3.2 Hive數據倉庫實戰
3.2.1 Hive原理和功能介紹
3.2.2 Hive安裝部署
3.2.3 Hive SQL操作
3.2.4 UDF函數
3.2.5 Hive數據倉庫模型設計
3.3 HBase實戰
3.3.1 HBase原理和功能介紹
3.3.2 HBase數據結構和表詳解
3.3.3 HBase安裝部署
3.3.4 HBase Shell常用命令操作
3.3.5 HBase客戶端類SQL工具Phoenix
3.3.6 Hive集成HBase查詢數據
3.3.7 HBase升級和數據遷移
3.4 Sqoop數據ETL工具實戰
3.4.1 Sqoop原理和功能介紹
3.4.2 Sqoop常用操作
3.5 Spark基礎
3.5.1 Spark原理和介紹
3.5.2 Spark MLlib機器學習介紹
3.5.3 Spark GraphX圖計算介紹
3.5.4 Spark Streaming流式計算介紹
3.5.5 Scala編程入門和Spark編程
3.5.6 Spark項目案例實戰和分布式部署
第4章 Docker容器
4.1 Docker介紹
4.1.1 能用Docker做什麼
4.1.2 Docker容器基本概念
4.2 Docker容器部署
4.2.1 基礎環境安裝
4.2.2 Docker常用命令
第5章 Mahout分布式機器學習平臺
5.1 Mahout挖掘平臺
5.1.1 Mahout原理和介紹
5.1.2 Mahout安裝部署
5.2 Mahout機器學習算法
5.2.1 Mahout算法概覽
5.2.2 潛在狄利克雷分配模型
5.2.3 MinHash聚類
5.2.4 Kmeans聚類
5.2.5 Canopy聚類
5.2.6 MeanShift均值漂移聚類
5.2.7 Fkmeans模糊聚類
5.2.8 貝葉斯分類算法
5.2.9 SGD邏輯回歸分類算法
5.2.10 隨機森林分類算法
5.2.11 關聯規則之頻繁項集挖掘算法
5.2.12 協同過濾算法
5.2.13 遺傳算法
第6章 Spark分布式機器學習平臺
6.1 Spark機器學習庫
6.1.1 Spark機器學習簡介
6.1.2 算法概覽
6.2 各個算法介紹和編程實戰
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 隨機森林
6.2.5 梯度提升決策樹
6.2.6 支持向量機
6.2.7 樸素貝葉斯
6.2.8 序列模式挖掘PrefixSpan
6.2.9 Word2vec詞向量模型
6.2.10 多層感知器神經網絡
第7章 分布式深度學習實戰
7.1 TensorFlow深度學習框架
7.1.1 TensorFlow原理和介紹
7.1.2 TensorFlow安裝部署
7.2 MXNet深度學習框架
7.2.1 MXNet原理和介紹
7.2.2 MXNet安裝部署
7.3 神經網絡算法
7.3.1 多層感知器算法
7.3.2 卷積神經網絡
7.3.3 循環神經網絡
7.3.4 長短期記憶神經網絡
7.3.5 端到端神經網絡
7.3.6 生成對抗網絡
7.3.7 深度強化學習
7.3.8 TensorFlow分布式訓練實戰
7.3.9 分布式TensorFlow on Kubernetes集群實戰
第8章 完整工業級繫統實戰
8.1 推薦算法繫統實戰
8.1.1 推薦繫統架構設計
8.1.2 推薦數據倉庫集市
8.1.3 ETL數據處理
8.1.4 協同過濾用戶行為挖掘
8.1.5 ContentBase文本挖掘算法
8.1.6 用戶畫像興趣標簽提取算法
8.1.7 基於用戶心理學模型推薦
8.1.8 多策略融合算法
8.1.9 準實時在線學習推薦引擎
8.1.10 Redis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實時推薦引擎服務
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 人臉識別實戰
8.2.1 人臉識別原理與介紹
8.2.2 人臉識別應用場景
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 人臉性別預測
8.3 對話機器人實戰
8.3.1 對話機器人原理與介紹
8.3.2 基於TensorFlow的對話機器人
8.3.3 基於MXNet的對話機器人
8.3.4 基於深度強化學習的機器人
8.3.5 基於搜索引擎的對話機器人
8.3.6 對話機器人的Web服務工程化
參考文獻

本書以分布式機器學習為主線，對其依賴的大數據技術進行詳細介紹，並對目前主流的分布式機器學習框架和算法進行重點講解，側重實戰。全書共分為8章，詳細講解大數據算法繫統架構、大數據基礎、Docker容器、Mahout分布式機器學習平臺、Spark分布式機器學習平臺、分布式深度學習框架和神經網絡算法等內容，同時配套完整工業級實戰項目，例如個性化推薦算法繫統、人臉識別和對話機器人。本書理論聯繫實踐，深入淺出，知識點全面，通過閱讀本書，讀者不僅可以理解分布式機器學習的知識，還能通過實戰案例更好地將理論融入實際工作中。本書適合分布式機器學習的初學者閱讀，對於有一定經驗的分布式大數據方向的從業人員及算法工程師，也可以從書中獲取很多有價值的知識，並通過實戰項目更好地理解分布式機器學習的核心內容。

陳敬雷 編