Spark 3.0大數據分析與挖掘:基于機器學習

                      Spark 3.0大數據分析與挖掘:基于機器學習
                      分享
                      掃描下方二維碼分享到微信
                      打開微信,點擊右上角”+“,
                      使用”掃一掃“即可將網頁分享到朋友圈。
                      2022-03
                      版次: 1
                      ISBN: 9787302598992
                      定價: 59.00
                      裝幀: 其他
                      開本: 16開
                      紙張: 膠版紙
                      • Spark作為新興的、應用范圍廣泛的大數據處理開源框架,吸引了大量的大數據分析與挖掘從業人員進行相關內容的學習與開發,其中ML是Spark 3.0機器學習框架使用的核心。本書用于Spark 3.0 ML大數據分析與挖掘入門,配套示例源碼、PPT課件、數據集、思維導圖、開發環境和作者答疑服務。 本書共分13章,從Spark 3.0大數據分析概述、基礎安裝和配置開始,依次介紹ML的DataFrame、ML的基本概念,以及協同過濾、線性回歸、分類、決策樹與隨機森林、聚類、關聯規則、數據降維、特征提取和轉換等數據處理方法;后通過經典的鳶尾花分析實例,回顧前面的學習內容,實現了一個完整的數據分析與挖掘過程。 本書采取實例和理論相結合的方式,講解細致直觀,示例豐富,適合Spark 3.0機器學習初學者、大數據分析和挖掘人員,也適合高等院校和培訓機構人工智能與大數據相關專業的師生教學參考。 王曉華,計算機專業講師,研究方向為云計算、大數據與人工智能。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》《TensorFlow知識圖譜實戰》《TensorFlow人臉識別實戰》《TensorFlow語音識別實戰》《TensorFlow 2.0卷積神經網絡實戰》《Keras實戰:基于TensorFlow2.2的深度學習實踐》《TensorFlow深度學習從零開始學》《深度學習的數學原理與實現》等圖書。 第1章 ?Spark大數據分析概述 1

                        1.1 ?大數據時代 1

                        1.2 ?大數據分析的要素 2

                        1.3 ?簡單、優雅、有效—這就是Spark 3

                        1.4 ?Spark 3.0核心—ML 4

                        1.5 ?星星之火,可以燎原 6

                        1.6 ?小結 6

                        第2章 ?Spark 3.0安裝和開發環境配置 7

                        2.1 ?Windows 10單機模式下安裝和配置Spark 7

                        2.1.1 ?Windows 10安裝Java 8 7

                        2.1.2 ?Windows 10安裝Scala 2.12.10 10

                        2.1.3 ?Intellij IDEA下載和安裝 13

                        2.1.4 ?Intellij IDEA中Scala插件的安裝 13

                        2.1.5 ?HelloJava—使用Intellij IDEA創建Java程序 16

                        2.1.6 ?HelloScala—使用Intellij IDEA創建Scala程序 19

                        2.1.7 ?后一腳—Spark 3.0單機版安裝 22

                        2.2 ?經典的wordCount 25

                        2.2.1 ?Spark 3.0實現wordCount 25

                        2.2.2 ?MapReduce實現wordCount 27

                        2.3 ?小結 30

                        第3章 ?DataFrame詳解 31

                        3.1 ?DataFrame是什么 31

                        3.1.1 ?DataFrame與RDD的關系 31

                        3.1.2 ?DataFrame理解及特性 32

                        3.1.3 ?DataFrame與DataSet的區別 34

                        3.1.4 ?DataFrame的缺陷 34

                        3.2 ?DataFrame工作原理 35

                        3.2.1 ?DataFrame工作原理圖 35

                        3.2.2 ?寬依賴與窄依賴 35

                        3.3 ?DataFrame應用API和操作詳解 37

                        3.3.1 ?創建 DataFrame 37

                        3.3.2 ?提前計算的cache方法 39

                        3.3.3 ?用于列篩選的select和selectExpr方法 41

                        3.3.4 ?DataFrame的收集行collect方法 42

                        3.3.5 ?DataFrame計算行數count方法 43

                        3.3.6 ?DataFrame限制輸出limit方法 44

                        3.3.7 ?除去數據集中重復項的distinct方法 45

                        3.3.8 ?過濾數據的filter方法 46

                        3.3.9 ?以整體數據為單位操作數據的flatMap方法 46

                        3.3.10 ?以單個數據為目標進行操作的map方法 47

                        3.3.11 ?分組數據的groupBy和agg方法 48

                        3.3.12 ?刪除數據集中某列的drop方法 49

                        3.3.13 ?隨機采樣方法和隨機劃分方法 49

                        3.3.14 ?排序類型操作的sort和orderBy方法 51

                        3.3.15 ?DataFrame和Dataset以及RDD之間的相互轉換 52

                        3.4 ?小結 53

                        第4章 ?ML基本概念 54

                        4.1 ?ML基本數據類型及管道技術 54

                        4.1.1 ?支持多種數據類型 55

                        4.1.2 ?管道技術 55

                        4.1.3 ?管道中的主要概念 55

                        4.1.4 ?管道的工作流程 56

                        4.1.5 ?Pipeline的使用 57

                        4.2 ?ML數理統計基本概念 61

                        4.2.1 ?基本統計量 62

                        4.2.2 ?統計量基本數據 62

                        4.2.3 ?距離計算 64

                        4.2.4 ?兩組數據相關系數計算 65

                        4.2.5 ?分層抽樣 68

                        4.2.6 ?假設檢驗 69

                        4.2.7 ?隨機數 71

                        4.3 ?小結 72

                        第5章 ?協同過濾算法 73

                        5.1 ?協同過濾 73

                        5.1.1 ?協同過濾概述 73

                        5.1.2 ?基于用戶的推薦UserCF 74

                        5.1.3 ?基于物品的推薦ItemCF 75

                        5.1.4 ?協同過濾算法的不足 76

                        5.2 ?相似度度量 76

                        5.2.1 ?基于歐幾里得距離的相似度計算 76

                        5.2.2 ?基于余弦角度的相似度計算 77

                        5.2.3 ?歐幾里得相似度與余弦相似度的比較 78

                        5.2.4 ?基于余弦相似度的用戶相似度計算示例 78

                        5.3 ?交替小二乘法 82

                        5.3.1 ?小二乘法詳解 82

                        5.3.2 ?ML中交替小二乘法詳解 83

                        5.3.3 ?ALS算法示例 83

                        5.4 ?小結 88

                        第6章 ?線性回歸理論與實戰 89

                        6.1 ?隨機梯度下降算法詳解 90

                        6.1.1 ?道士下山的故事 90

                        6.1.2 ?隨機梯度下降算法的理論基礎 91

                        6.1.3 ?隨機梯度下降算法實戰 92

                        6.2 ?回歸的過擬合 93

                        6.2.1 ?過擬合產生的原因 93

                        6.2.2 ?Lasso回歸、嶺回歸與ElasticNet回歸 94

                        6.3 ?ML線性回歸示例 95

                        6.3.1 ?線性回歸程序 95

                        6.3.2 ?線性回歸:廣義線性回歸 98

                        6.4 ?小結 99

                        第7章 ?分類實戰 100

                        7.1 ?邏輯回歸詳解 100

                        7.1.1 ?邏輯回歸不是回歸算法 101

                        7.1.2 ?邏輯回歸的數學基礎 101

                        7.1.3 ?ML邏輯回歸二分類示例 102

                        7.1.4 ?ML邏輯回歸多分類示例 105

                        7.1.5 ?ML邏輯回歸匯總提取 108

                        7.1.6 ?ML邏輯回歸處理文本文檔 109

                        7.2 ?線性支持向量機詳解 109

                        7.2.1 ?三角還是圓 110

                        7.2.2 ?支持向量機的數學基礎 111

                        7.2.3 ?ML支持向量機示例 112

                        7.2.4 ?ML支持向量機進行分類預測 113

                        7.3 ?樸素貝葉斯分類器詳解 115

                        7.3.1 ?穿褲子的男生or女生 115

                        7.3.2 ?貝葉斯定理的數學基礎和意義 116

                        7.3.3 ?樸素貝葉斯定理 117

                        7.3.4 ?ML樸素貝葉斯使用示例 117

                        7.3.5 ?ML樸素貝葉斯中文文本分類 120

                        7.4 ?小結 123

                        第8章 ?決策樹與隨機森林 124

                        8.1 ?決策樹詳解 125

                        8.1.1 ?水晶球的秘密 125

                        8.1.2 ?決策樹的算法基礎:信息熵 126

                        8.1.3 ?決策樹的算法基礎—ID3算法 127

                        8.1.4 ?ML中決策樹的構建 128

                        8.1.5 ?ML中決策樹示例 130

                        8.2 ?隨機森林與梯度提升算法 132

                        8.3 ?小結 138

                        第9章 ?聚類 139

                        9.1 ?聚類與分類 139

                        9.1.1 ?什么是分類 139

                        9.1.2 ?什么是聚類 140

                        9.2 ?K-means算法 140

                        9.2.1 ?K-means算法及其算法步驟 141

                        9.2.2 ?ML中K-means算法示例 142

                        9.2.3 ?K-means算法中細節的討論 144

                        9.3 ?高斯混合聚類 144

                        9.3.1 ?從高斯分布聚類起步 145

                        9.3.2 ?混合高斯模型 146

                        9.3.3 ?ML高斯混合模型使用示例 147

                        9.4 ?快速迭代聚類 148

                        9.4.1 ?快速迭代聚類理論基礎 148

                        9.4.2 ?ML快速迭代聚類使用示例 149

                        9.5 ?小結 150

                        第10章 ?關聯規則 151

                        10.1 ?Apriori頻繁項集算法 151

                        10.1.1 ?“啤酒與尿布”的經典故事 151

                        10.1.2 ?經典的Apriori算法 152

                        10.1.3 ?Apriori算法示例 154

                        10.2 ?FP-growth算法 155

                        10.2.1 ?Apriori算法的局限性 155

                        10.2.2 ?FP-growth算法 155

                        10.2.3 ?ML中的FP樹算法示例 158

                        10.3 ?小結 160

                        第11章 ?數據降維 161

                        11.1 ?奇異值分解 161

                        11.1.1 ?行矩陣詳解 162

                        11.1.2 ?奇異值分解算法基礎 162

                        11.1.3 ?ML中奇異值分解示例 163

                        11.2 ?主成分分析 164

                        11.2.1 ?主成分分析的定義 165

                        11.2.2 ?主成分分析的數學基礎 165

                        11.2.3 ?ML中主成分分析示例 166

                        11.3 ?小結 167

                        第12章 ?特征提取和轉換 169

                        12.1 ?TF-IDF 169

                        12.1.1 ?如何查找想要的新聞 170

                        12.1.2 ?TF-IDF算法的數學計算 170

                        12.1.3 ?ML中TF-IDF示例 171

                        12.2 ?詞向量化Word2Vec 173

                        12.2.1 ?詞向量化基礎 173

                        12.2.2 ?ML中詞向量化使用示例 174

                        12.3 ?基于卡方檢驗的特征選擇 176

                        12.3.1 ?“吃貨”的苦惱 176

                        12.3.2 ?ML中基于卡方檢驗的特征選擇示例 177

                        12.4 ?小結 179

                        第13章 ?ML實戰演練—鳶尾花分析 180

                        13.1 ?建模說明 180

                        13.1.1 ?數據的描述與分析目標 180

                        13.1.2 ?建模說明 182

                        13.2 ?數據預處理和分析 185

                        13.2.1 ?微觀分析—均值與方差的對比分析 185

                        13.2.2 ?宏觀分析—不同種類特性的長度計算 189

                        13.2.3 ?去除重復項—相關系數的確定 192

                        13.3 ?長與寬之間的關系—數據集的回歸分析 196

                        13.3.1 ?使用線性回歸分析長與寬之間的關系 196

                        13.3.2 ?使用邏輯回歸分析長與寬之間的關系 198

                        13.4 ?使用分類和聚類對鳶尾花數據集進行處理 201

                        13.4.1 ?使用聚類分析對數據集進行聚類處理 202

                        13.4.2 ?使用分類分析對數據集進行分類處理 206

                        13.5 ?終的判定—決策樹測試 208

                        13.5.1 ?決定數據集歸類的方法之一—決策樹 208

                        13.5.2 ?決定數據集歸類的方法之二—隨機森林 211

                        13.6 ?小結 213
                      • 內容簡介:
                        Spark作為新興的、應用范圍廣泛的大數據處理開源框架,吸引了大量的大數據分析與挖掘從業人員進行相關內容的學習與開發,其中ML是Spark 3.0機器學習框架使用的核心。本書用于Spark 3.0 ML大數據分析與挖掘入門,配套示例源碼、PPT課件、數據集、思維導圖、開發環境和作者答疑服務。 本書共分13章,從Spark 3.0大數據分析概述、基礎安裝和配置開始,依次介紹ML的DataFrame、ML的基本概念,以及協同過濾、線性回歸、分類、決策樹與隨機森林、聚類、關聯規則、數據降維、特征提取和轉換等數據處理方法;后通過經典的鳶尾花分析實例,回顧前面的學習內容,實現了一個完整的數據分析與挖掘過程。 本書采取實例和理論相結合的方式,講解細致直觀,示例豐富,適合Spark 3.0機器學習初學者、大數據分析和挖掘人員,也適合高等院校和培訓機構人工智能與大數據相關專業的師生教學參考。
                      • 作者簡介:
                        王曉華,計算機專業講師,研究方向為云計算、大數據與人工智能。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》《TensorFlow知識圖譜實戰》《TensorFlow人臉識別實戰》《TensorFlow語音識別實戰》《TensorFlow 2.0卷積神經網絡實戰》《Keras實戰:基于TensorFlow2.2的深度學習實踐》《TensorFlow深度學習從零開始學》《深度學習的數學原理與實現》等圖書。
                      • 目錄:
                        第1章 ?Spark大數據分析概述 1

                        1.1 ?大數據時代 1

                        1.2 ?大數據分析的要素 2

                        1.3 ?簡單、優雅、有效—這就是Spark 3

                        1.4 ?Spark 3.0核心—ML 4

                        1.5 ?星星之火,可以燎原 6

                        1.6 ?小結 6

                        第2章 ?Spark 3.0安裝和開發環境配置 7

                        2.1 ?Windows 10單機模式下安裝和配置Spark 7

                        2.1.1 ?Windows 10安裝Java 8 7

                        2.1.2 ?Windows 10安裝Scala 2.12.10 10

                        2.1.3 ?Intellij IDEA下載和安裝 13

                        2.1.4 ?Intellij IDEA中Scala插件的安裝 13

                        2.1.5 ?HelloJava—使用Intellij IDEA創建Java程序 16

                        2.1.6 ?HelloScala—使用Intellij IDEA創建Scala程序 19

                        2.1.7 ?后一腳—Spark 3.0單機版安裝 22

                        2.2 ?經典的wordCount 25

                        2.2.1 ?Spark 3.0實現wordCount 25

                        2.2.2 ?MapReduce實現wordCount 27

                        2.3 ?小結 30

                        第3章 ?DataFrame詳解 31

                        3.1 ?DataFrame是什么 31

                        3.1.1 ?DataFrame與RDD的關系 31

                        3.1.2 ?DataFrame理解及特性 32

                        3.1.3 ?DataFrame與DataSet的區別 34

                        3.1.4 ?DataFrame的缺陷 34

                        3.2 ?DataFrame工作原理 35

                        3.2.1 ?DataFrame工作原理圖 35

                        3.2.2 ?寬依賴與窄依賴 35

                        3.3 ?DataFrame應用API和操作詳解 37

                        3.3.1 ?創建 DataFrame 37

                        3.3.2 ?提前計算的cache方法 39

                        3.3.3 ?用于列篩選的select和selectExpr方法 41

                        3.3.4 ?DataFrame的收集行collect方法 42

                        3.3.5 ?DataFrame計算行數count方法 43

                        3.3.6 ?DataFrame限制輸出limit方法 44

                        3.3.7 ?除去數據集中重復項的distinct方法 45

                        3.3.8 ?過濾數據的filter方法 46

                        3.3.9 ?以整體數據為單位操作數據的flatMap方法 46

                        3.3.10 ?以單個數據為目標進行操作的map方法 47

                        3.3.11 ?分組數據的groupBy和agg方法 48

                        3.3.12 ?刪除數據集中某列的drop方法 49

                        3.3.13 ?隨機采樣方法和隨機劃分方法 49

                        3.3.14 ?排序類型操作的sort和orderBy方法 51

                        3.3.15 ?DataFrame和Dataset以及RDD之間的相互轉換 52

                        3.4 ?小結 53

                        第4章 ?ML基本概念 54

                        4.1 ?ML基本數據類型及管道技術 54

                        4.1.1 ?支持多種數據類型 55

                        4.1.2 ?管道技術 55

                        4.1.3 ?管道中的主要概念 55

                        4.1.4 ?管道的工作流程 56

                        4.1.5 ?Pipeline的使用 57

                        4.2 ?ML數理統計基本概念 61

                        4.2.1 ?基本統計量 62

                        4.2.2 ?統計量基本數據 62

                        4.2.3 ?距離計算 64

                        4.2.4 ?兩組數據相關系數計算 65

                        4.2.5 ?分層抽樣 68

                        4.2.6 ?假設檢驗 69

                        4.2.7 ?隨機數 71

                        4.3 ?小結 72

                        第5章 ?協同過濾算法 73

                        5.1 ?協同過濾 73

                        5.1.1 ?協同過濾概述 73

                        5.1.2 ?基于用戶的推薦UserCF 74

                        5.1.3 ?基于物品的推薦ItemCF 75

                        5.1.4 ?協同過濾算法的不足 76

                        5.2 ?相似度度量 76

                        5.2.1 ?基于歐幾里得距離的相似度計算 76

                        5.2.2 ?基于余弦角度的相似度計算 77

                        5.2.3 ?歐幾里得相似度與余弦相似度的比較 78

                        5.2.4 ?基于余弦相似度的用戶相似度計算示例 78

                        5.3 ?交替小二乘法 82

                        5.3.1 ?小二乘法詳解 82

                        5.3.2 ?ML中交替小二乘法詳解 83

                        5.3.3 ?ALS算法示例 83

                        5.4 ?小結 88

                        第6章 ?線性回歸理論與實戰 89

                        6.1 ?隨機梯度下降算法詳解 90

                        6.1.1 ?道士下山的故事 90

                        6.1.2 ?隨機梯度下降算法的理論基礎 91

                        6.1.3 ?隨機梯度下降算法實戰 92

                        6.2 ?回歸的過擬合 93

                        6.2.1 ?過擬合產生的原因 93

                        6.2.2 ?Lasso回歸、嶺回歸與ElasticNet回歸 94

                        6.3 ?ML線性回歸示例 95

                        6.3.1 ?線性回歸程序 95

                        6.3.2 ?線性回歸:廣義線性回歸 98

                        6.4 ?小結 99

                        第7章 ?分類實戰 100

                        7.1 ?邏輯回歸詳解 100

                        7.1.1 ?邏輯回歸不是回歸算法 101

                        7.1.2 ?邏輯回歸的數學基礎 101

                        7.1.3 ?ML邏輯回歸二分類示例 102

                        7.1.4 ?ML邏輯回歸多分類示例 105

                        7.1.5 ?ML邏輯回歸匯總提取 108

                        7.1.6 ?ML邏輯回歸處理文本文檔 109

                        7.2 ?線性支持向量機詳解 109

                        7.2.1 ?三角還是圓 110

                        7.2.2 ?支持向量機的數學基礎 111

                        7.2.3 ?ML支持向量機示例 112

                        7.2.4 ?ML支持向量機進行分類預測 113

                        7.3 ?樸素貝葉斯分類器詳解 115

                        7.3.1 ?穿褲子的男生or女生 115

                        7.3.2 ?貝葉斯定理的數學基礎和意義 116

                        7.3.3 ?樸素貝葉斯定理 117

                        7.3.4 ?ML樸素貝葉斯使用示例 117

                        7.3.5 ?ML樸素貝葉斯中文文本分類 120

                        7.4 ?小結 123

                        第8章 ?決策樹與隨機森林 124

                        8.1 ?決策樹詳解 125

                        8.1.1 ?水晶球的秘密 125

                        8.1.2 ?決策樹的算法基礎:信息熵 126

                        8.1.3 ?決策樹的算法基礎—ID3算法 127

                        8.1.4 ?ML中決策樹的構建 128

                        8.1.5 ?ML中決策樹示例 130

                        8.2 ?隨機森林與梯度提升算法 132

                        8.3 ?小結 138

                        第9章 ?聚類 139

                        9.1 ?聚類與分類 139

                        9.1.1 ?什么是分類 139

                        9.1.2 ?什么是聚類 140

                        9.2 ?K-means算法 140

                        9.2.1 ?K-means算法及其算法步驟 141

                        9.2.2 ?ML中K-means算法示例 142

                        9.2.3 ?K-means算法中細節的討論 144

                        9.3 ?高斯混合聚類 144

                        9.3.1 ?從高斯分布聚類起步 145

                        9.3.2 ?混合高斯模型 146

                        9.3.3 ?ML高斯混合模型使用示例 147

                        9.4 ?快速迭代聚類 148

                        9.4.1 ?快速迭代聚類理論基礎 148

                        9.4.2 ?ML快速迭代聚類使用示例 149

                        9.5 ?小結 150

                        第10章 ?關聯規則 151

                        10.1 ?Apriori頻繁項集算法 151

                        10.1.1 ?“啤酒與尿布”的經典故事 151

                        10.1.2 ?經典的Apriori算法 152

                        10.1.3 ?Apriori算法示例 154

                        10.2 ?FP-growth算法 155

                        10.2.1 ?Apriori算法的局限性 155

                        10.2.2 ?FP-growth算法 155

                        10.2.3 ?ML中的FP樹算法示例 158

                        10.3 ?小結 160

                        第11章 ?數據降維 161

                        11.1 ?奇異值分解 161

                        11.1.1 ?行矩陣詳解 162

                        11.1.2 ?奇異值分解算法基礎 162

                        11.1.3 ?ML中奇異值分解示例 163

                        11.2 ?主成分分析 164

                        11.2.1 ?主成分分析的定義 165

                        11.2.2 ?主成分分析的數學基礎 165

                        11.2.3 ?ML中主成分分析示例 166

                        11.3 ?小結 167

                        第12章 ?特征提取和轉換 169

                        12.1 ?TF-IDF 169

                        12.1.1 ?如何查找想要的新聞 170

                        12.1.2 ?TF-IDF算法的數學計算 170

                        12.1.3 ?ML中TF-IDF示例 171

                        12.2 ?詞向量化Word2Vec 173

                        12.2.1 ?詞向量化基礎 173

                        12.2.2 ?ML中詞向量化使用示例 174

                        12.3 ?基于卡方檢驗的特征選擇 176

                        12.3.1 ?“吃貨”的苦惱 176

                        12.3.2 ?ML中基于卡方檢驗的特征選擇示例 177

                        12.4 ?小結 179

                        第13章 ?ML實戰演練—鳶尾花分析 180

                        13.1 ?建模說明 180

                        13.1.1 ?數據的描述與分析目標 180

                        13.1.2 ?建模說明 182

                        13.2 ?數據預處理和分析 185

                        13.2.1 ?微觀分析—均值與方差的對比分析 185

                        13.2.2 ?宏觀分析—不同種類特性的長度計算 189

                        13.2.3 ?去除重復項—相關系數的確定 192

                        13.3 ?長與寬之間的關系—數據集的回歸分析 196

                        13.3.1 ?使用線性回歸分析長與寬之間的關系 196

                        13.3.2 ?使用邏輯回歸分析長與寬之間的關系 198

                        13.4 ?使用分類和聚類對鳶尾花數據集進行處理 201

                        13.4.1 ?使用聚類分析對數據集進行聚類處理 202

                        13.4.2 ?使用分類分析對數據集進行分類處理 206

                        13.5 ?終的判定—決策樹測試 208

                        13.5.1 ?決定數據集歸類的方法之一—決策樹 208

                        13.5.2 ?決定數據集歸類的方法之二—隨機森林 211

                        13.6 ?小結 213
                      查看詳情
                      12
                      相關圖書 / 更多
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring微服務實戰(第2版)
                      [美]約翰·卡內爾(John Carnell)
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Boot趣味實戰課
                      劉水鏡
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spark實戰(第2版)
                      [法]吉恩·喬治·佩林(Jean-Georges Perrin) 著;林賜 譯
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Boot+MVC實戰指南
                      高洪巖
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spark大數據處理技術()
                      劉仁山
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spark和Python機器學習實戰:預測分析核心方法(第2版)
                      [美]邁克爾·鮑爾斯(Michael Bowles)
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Boot企業級項目開發實戰
                      張科 編著
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Boot從零開始學(視頻教學版)
                      郭浩然
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spinning Technology 紡紗學
                      郁崇文
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Cloud 微服務快速上手
                      晁鵬飛
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Boot進階:原理、實戰與面試題分析
                      鄭天民 著
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      Spring Security原理與實戰
                      鄭天民
                      您可能感興趣 / 更多
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      谷歌JAX深度學習從零開始學
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      移動機器人原理與技術
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      廣告學專業畢業設計指導手冊
                      王曉華;黃玉波
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      傳播學研究方法
                      王曉華 郭良文 主編
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      深度學習案例精粹:基于TensorFlow與Keras
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      審判大漢奸
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      身體的悖論——主體論美學視野中的西方藝術研究
                      王曉華 著
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      TensorFlow知識圖譜實戰
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      穴居的文化基因
                      王曉華 著
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      TensorFlow人臉識別實戰
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      TensorFlow語音識別實戰
                      王曉華
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      營銷策劃(慕課版)
                      王曉華 戚萌
                      实拍会所推油54分钟免费观看