推荐序　　ix
译者序　　xi
序　　xiii
前言　　xv
第1章　大数据分析　　1
1.1　数据科学面临的挑战　　2
1.2　认识Apache Spark　　4
1.3　关于本书　　5
第2章　用Scala和Spark进行数据分析　　7
2.1　数据科学家的Scala　　8
2.2　Spark 编程模型　　9
2.3　记录关联问题　　9
2.4　小试牛刀：Spark shell和SparkContext　　10
2.5　把数据从集群上获取到客户端　　15
2.6　把代码从客户端发送到集群　　18
2.7　用元组和case class对数据进行结构化　　19
2.8　聚合　　23
2.9　创建直方图　　24
2.10　连续变量的概要统计　　25
2.11　为计算概要信息创建可重用的代码　　26
2.12　变量的选择和评分简介　　30
2.13　小结　　31
第3章　音乐推荐和Audioscrobbler数据集　　33
3.1　数据集　　34
3.2　交替最小二乘推荐算法　　35
3.3　准备数据　　37
3.4　构建第一个模型　　39
3.5　逐个检查推荐结果　　42
3.6　评价推荐质量　　43
3.7　计算AUC　　44
3.8　选择超参数　　46
3.9　产生推荐　　48
3.10　小结　　49
第4章　 用决策树算法预测森林植被　　51
4.1　回归简介　　52
4.2　向量和特征　　52
4.3　样本训练　　53
4.4　决策树和决策森林　　54
4.5　Covtype数据集　　56
4.6　准备数据　　57
4.7　第一棵决策树　　58
4.8　决策树的超参数　　62
4.9　决策树调优　　63
4.10　重谈类别型特征　　65
4.11　随机决策森林　　67
4.12　进行预测　　69
4.13　小结　　69
第5章　基于K均值聚类的网络流量异常检测　　71
5.1　异常检测　　72
5.2　K均值聚类　　72
5.3　网络入侵　　73
5.4　KDD Cup 1999数据集　　73
5.5　初步尝试聚类　　74
5.6　K 的选择　　76
5.7　基于R的可视化　　79
5.8　特征的规范化　　81
5.9　类别型变量　　83
5.10　利用标号的熵信息　　84
5.11　聚类实战　　85
5.12　小结　　86
第6章　基于潜在语义分析算法分析维基百科　　89
6.1　词项-文档矩阵　　90
6.2　获取数据　　91
6.3　分析和准备数据　　92
6.4　词形归并　　93
6.5　计算TF-IDF　　94
6.6　奇异值分解　　97
6.7　找出重要的概念　　98
6.8　基于低维近似的查询和评分　　101
6.9　词项-词项相关度　　102
6.10　文档-文档相关度　　103
6.11　词项-文档相关度　　105
6.12　多词项查询　　106
6.13　小结　　107
第7章　用GraphX分析伴生网络　　109
7.1　对MEDLINE文献引用索引的网络分析　　110
7.2　获取数据　　111
7.3　用Scala XML工具解析XML文档　　113
7.4　分析MeSH主要主题及其伴生关系　　114
7.5　用GraphX来建立一个伴生网络　　116
7.6　理解网络结构　　119
7.6.1　连通组件　　119
7.6.2　度的分布　　122
7.7　过滤噪声边　　124
7.7.1　处理EdgeTriplet　　125
7.7.2　分析去掉噪声边的子图　　126
7.8　小世界网络　　127
7.8.1　系和聚类系数　　128
7.8.2　用Pregel计算平均路径长度　　129
7.9　小结　　133
第8章　纽约出租车轨迹的空间和时间数据分析　　135
8.1　数据的获取　　136
8.2　基于Spark的时间和空间数据分析　　136
8.3　基于JodaTime和NScalaTime的时间数据处理　　137
8.4　基于Esri Geometry API和Spray的地理空间数据处理　　138
8.4.1　认识Esri Geometry API　　139
8.4.2　GeoJSON简介　　140
8.5　纽约市出租车客运数据的预处理　　142
8.5.1　大规模数据中的非法记录处理　　143
8.5.2　地理空间分析　　147
8.6　基于Spark的会话分析　　149
8.7　小结　　153
第9章　基于蒙特卡罗模拟的金融风险评估　　155
9.1　术语　　156
9.2　VaR计算方法　　157
9.2.1　方差-协方差法　　157
9.2.2　历史模拟法　　157
9.2.3　蒙特卡罗模拟法　　157
9.3　我们的模型　　158
9.4　获取数据　　158
9.5　数据预处理　　159
9.6　确定市场因素的权重　　162
9.7　采样　　164
9.8　运行试验　　167
9.9　回报分布的可视化　　170
9.10　结果的评估　　171
9.11　小结　　173
第10章　基因数据分析和BDG项目　　175
10.1　分离存储与模型　　176
10.2　用ADAM CLI导入基因学数据　　178
10.3　从ENCODE数据预测转录因子结合位点　　185
10.4　查询1000 Genomes项目中的基因型　　191
10.5　小结　　193
第11章　基于PySpark和Thunder的神经图像数据分析　　195
11.1　PySpark简介　　196
11.2　Thunder工具包概况和安装　　199
11.3　用Thunder加载数据　　200
11.4　用Thunder对神经元进行分类　　207
11.5　小结　　211
附录A　Spark进阶　　213
附录B　即将发布的MLlib Pipelines API　　221
作者介绍　　226
封面介绍　　226