第1章 初识机器学习
在本章中将带领大家概要了解什么是机器学习、机器学习在当前有哪些典型应用、机器学习的核心思想、常用的框架有哪些，该如何进行选型等相关问题。
- 1-1 导学
- 1-2 机器学习概述
- 1-3 机器学习核心思想
- 1-4 机器学习的框架与选型..
第2章 初识MLlib
本章中，将介绍Spark的机器学习库，对比Spark当前两种机器学习库（MLLib/ML）的区别，同时介绍Spark机器学习库的应用场景以及行业应用优势。
- 2-1 MLlib概述
- 2-2 MLlib的数据结构
- 2-3 MLlib与ml
- 2-4 MLlib的应用场景
第3章 实战环境搭建
本章中，将介绍如何进行实战环境搭建。包括如何完成Spark环境安装配置、如何通过Spark Shell进行编程，并通过 Wordcount 入门程序，完成部署和测试。
- 3-1 Spark环境安装
- 3-2 Spark配置若干要点
- 3-3 学习Spark shell
- 3-4 实战Wordcount
第4章 数据可视化
本章中，将对数据可视化进行介绍，告诉大家什么是数据可视化，我们通过数据可视化能对大数据系统起到怎样的作用，并结合 Echars 介绍了如何实现常见的数据可视化图表（折线图、柱状图、散点图）。
- 4-1 数据可视化的作用及常用方法
- 4-2 初识Echarts
- 4-3 通过Echarts实现图表化数据展示
第5章 Spark的矩阵与向量
本章中，将讲解矩阵与向量的一些基本运算，并介绍Spark的矩阵与向量的操作，帮助数据基础薄弱的同学补齐短板。
- 5-1 矩阵与向量介绍
- 5-2 Spark中实践向量的使用
- 5-3 Spark中实践矩阵的使用
第6章 Spark基础统计模块
本章中，将概要介绍Spark的基础统计模块、简单的统计学知识、相关系数以及假设检验的知识，拓展大家的技术视野。
- 6-1 基础统计模块及常用统计学知识介绍
- 6-2 实战统计汇总
- 6-3 学习相关系数
- 6-4 学习假设检验
第7章 Spark实现回归算法
本章中，将讲解几种常见的回归算法，并以预测房价模型为例，教大家如何使用回归算法来实现简单的预测。
- 7-1 回归分析概述
- 7-2 线性回归算法概述
- 7-3 线性回归算法原理
- 7-4 最小二乘法
- 7-5 随机梯度下降
- 7-6 实战Spark预测房价---项目展示及代码概览
- 7-7 实战Spark预测房价---数据加载及转换
- 7-8 实战Spark预测房价--训练与预测
- 7-9 逻辑回归算法及原理概述
- 7-10 正则化原理
- 7-11 实战Spark逻辑回归
- 7-12 保序回归算法概述
- 7-13 保序回归算法原理
- 7-14 实战一个保序回归数据分析
第8章 Spark实现分类算法
本章中，将几种常见的分类算法，并结合鸢尾花数据集为例，讲解分类算法在Spark上的实践。同时，比较各种分类算法的区别，使大家能够合理选择应该使用的算法。
- 8-1 朴素贝叶斯算法及原理概述
- 8-2 实战朴素贝叶斯的分类
- 8-3 支持向量机概述
- 8-4 实战基于SVM的分类
- 8-5 决策树算法及原理概述
- 8-6 实战基于决策树的分类--案例1
- 8-7 实战基于决策树的分类--案例2
- 8-8 本章小结
- 8-9 关于数据归一化的介绍
第9章 Spark实现聚类算法
本章中，将介绍聚类算法，并通过比较聚类算法与分类算法的区别，帮助大家了解聚类算法的内在含义。此处，仍然使用鸢尾花数据集应用聚类算法进行分析，便于大家对比发现聚类算法与分类算法的区别与联系，以便于后期灵活运用。...
- 9-1 Kmeans算法概述
- 9-2 Kmeans算法原理
- 9-3 Kmeans算法实战
- 9-4 LDA算法概述
- 9-5 LDA算法原理
- 9-6 LDA算法实践
- 9-7 本章小结
第10章 Spark实现降维
本章中，将通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。
- 10-1 PCA算法及原理概述
- 10-2 实战PCA算法实现降维
- 10-3 本章小结
第11章 Spark实践文本情感分类
本章中，将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。
- 11-1 项目总体概况
- 11-2 数据集概述
- 11-3 数据预处理
- 11-4 文本特征提取
- 11-5 训练分类模型
- 11-6 本章小结
第12章 Spark实践推荐系统
本章中，将结合前述知识进行综合实战，以达到所学即所用。在推荐系统项目中，讲解了推荐系统基本原理以及实现推荐系统的架构思路，有其他相关研发经验基础的同学可以结合以往的经验，实现自己的推荐系统。