《顛覆大數(shù)據(jù)分析：基于Storm、Spark等Hadoop替代技術的實時應用》每章一個主題，介紹了各種大數(shù)據(jù)分析技術與機器學習算法。本書能夠讓讀者掌握大數(shù)據(jù)分析和機器學習的相關技術的大致脈絡，為之后的進階學習提供參考與指導。本書適合大數(shù)據(jù)技術入門者、希望對大數(shù)據(jù)技術有所了解，以及想要學習大數(shù)據(jù)技術但是不知道應該從何處入手的讀者閱讀。

目錄
前言
致謝
關于作者
1 引言：為什么要超越 Hadoop Map-Reduce
Hadoop的適用范圍
大數(shù)據(jù)分析之機器學習實現(xiàn)的革命
第一代機器學習工具/范式
第二代機器學習工具/范式
第三代機器學習工具/范式
小結
參考文獻
2 何為伯克利數(shù)據(jù)分析棧（BDAS）
實現(xiàn) BDAS的動機
Spark：動機
Shark：動機
Mesos：動機
BDAS的設計及架構
Spark：高效的集群數(shù)據(jù)處理的范式
Spark的彈性分布式數(shù)據(jù)集
Spark的實現(xiàn)
Spark VS分布式共享內(nèi)存系統(tǒng)
RDD的表達性
類似 Spark的系統(tǒng)
Shark：分布式系統(tǒng)上的 SQL接口
Spark為 Shark提供的擴展
列內(nèi)存存儲
分布式數(shù)據(jù)加載
完全分區(qū)智能連接
分區(qū)修剪
機器學習的支持
Mesos：集群調(diào)度及管理系統(tǒng)
Mesos組件
資源分配
隔離
容錯性
小結
參考文獻
3 使用 Spark實現(xiàn)機器學習算法
機器學習基礎知識
機器學習：隨機森林示例
邏輯回歸：概述
二元形式的邏輯回歸
邏輯回歸估計
多元邏輯回歸
Spark中的邏輯回歸算法
支持向量機
復雜決策面
支持向量機背后的數(shù)學原理
Spark中的支持向量機
Spark對 PMML的支持
PMML結構
PMML的生產(chǎn)者及消費者
Spark對樸素貝葉斯的 PMML支持
Spark對線性回歸的PMML支持
在Spark中使用MLbase進行機器學習
參考文獻
4 實現(xiàn)實時的機器學習算法
Storm簡介
數(shù)據(jù)流
拓撲
Storm集群
簡單的實時計算例子
數(shù)據(jù)流組
Storm的消息處理擔保
基于Storm的設計模式
分布式遠程過程調(diào)用
Trident：基于Storm的實時聚合
實現(xiàn)基于Storm的邏輯回歸算法
實現(xiàn)基于Storm的支持向量機算法
Storm對樸素貝葉斯PMML的支持
實時分析的應用
工業(yè)日志分類
互聯(lián)網(wǎng)流量過濾器
Storm的替代品
Spark流
D-Streams的動機
參考文獻
5 圖處理范式
Pregel：基于BSP的圖處理框架
類似的做法
開源的Pregel實現(xiàn)
Giraph
GoldenORB
Phoebus
Apache Hama
Stanford GPS
GraphLab
GraphLab：多核版本
分布式的GraphLab
PowerGraph
通過 GraphLab實現(xiàn)網(wǎng)頁排名算法
頂點程序
基于GraphLab實現(xiàn)隨機梯度下降算法
參考文獻
6 結論：超越Hadoop Map-Reduce的大數(shù)據(jù)分析
Hadoop YARN概覽
Hadoop YARN的動機
作為資源調(diào)度器的 YARN
YARN上的其他框架
大數(shù)據(jù)分析的未來是怎樣的
參考文獻
附錄 A代碼筆記