Mahout算法解析与案例实战

本书共分为基础篇、实战篇、高级篇三篇，基础篇从Mahout的概念、作用、安装和配置讲起，系统讲解了Mahout现有各种算法的基本功能和操作，通过本章读者可以针对一个问题方便的找到对应的解决算法，达到对Mahout的基本使用的目的；实战篇主要结合2个Mahout的应用案例，详细分析了其整个框架构思和实现过程，使用户了解应用Mahout的开发过程；高级篇讲解了Mahout的经典应用和最佳实践，并通过源代码来分析各个模块的实现原理。本书的内容将针对对Mahout感兴趣的开发者和用户，不仅系统全面，实战性非常强，而且还不乏深度，是一本难得的Mahout著作。

樊哲
资深软件开发工程师，精通Java相关技术，专注数据挖掘领域，对Hadoop和Mahout等大数据技术有较深入的研究和丰富的实践，目前正从事Mahout算法开发方面的工作。活跃于CSDN和Hadoop技术论坛等社区，荣获“CSDN2013博客之星”头衔。

前言
第一部分基础篇
第1章Mahout简介
1.1Mahout应用背景
1.2Mahout算法库
1.2.1聚类算法
1.2.2分类算法
1.2.3协同过滤算法
1.2.4频繁项集挖掘算法
1.3Mahout应用
1.4本章小结
第2章Mahout安装配置
2.1Mahout安装前的准备
2.1.1安装JDK
2.1.2安装Hadoop
2.2两种安装方式
2.2.1使用Maven安装
2.2.2下载发布版安装
2.3测试安装
2.4本章小结
第二部分算法篇
第3章聚类算法
3.1Canopy算法
3.1.1Canopy算法简介
3.1.2Mahout中Canopy算法实现原理
3.1.3Mahout的Canopy算法实战
3.1.4Canopy算法小结
3.2K-Means算法
3.2.1K-Means算法简介
3.2.2Mahout中K-Means算法实现原理
3.2.3Mahout的K-Means算法实战
3.2.4K-Means算法小结
3.3Mean Shift算法
3.3.1Mean Shift算法简介
3.3.2Mahout中Mean Shift算法实现原理
3.3.3Mahout的Mean Shift算法实战
3.3.4Mean Shift算法小结
3.4本章小结
第4章分类算法
4.1 Bayesian算法
4.1.1Bayesian算法简介
4.1.2Mahout 中Bayesian算法实现原理
4.1.3Mahout的Bayesian算法实战
4.1.4拓展
4.1.5Bayesian算法小结
4.2Random Forests算法
4.2.1Random Forests算法简介
4.2.2Mahout中Random Forests算法实现原理
4.2.3Mahout的Random Forests算法实战
4.2.4拓展
4.2.5Random Forests算法小结
4.3本章小结
第5章协同过滤算法
5.1Distributed Item-Based Collaborative Filtering算法
5.1.1Distributed Item-Based Collaborative Filtering算法简介
5.1.2Mahout中Distributed ItemBased Collaborative Filtering算法实现原理
5.1.3Mahout的Distributed Item Based Collaborative Filtering算法实战
5.1.4拓展
5.1.5Distributed ItemBased Collabo-rative Filtering算法小结
5.2Collaborative Filtering with ALSWR算法
5.2.1Collaborative Filtering with ALSWR算法简介
5.2.2Mahout中Collaborative Filtering with ALS-WR算法实现原理
5.2.3Mahout的Collaborative Filtering with ALS-WR算法实战
5.2.4拓展
5.2.5Collaborative Filtering with ALSWR算法小结
5.3本章小结
第6章模式挖掘算法
6.1FP树关联规则算法
6.1.1FP树关联规则算法简介
6.1.2Mahout中Parallel Frequent Pattern Mining算法实现原理
6.1.3Mahout的Parallel Frequent Pattern Mining算法实战
6.1.4拓展
6.2本章小结
第7章Mahout中的其他算法
7.1Dimension Reduction算法
7.1.1Dimension Reduction算法简介
7.1.2Mahout中Dimension Reduction算法实现原理
7.1.3Mahout的Dimension Reduction算法实战
7.1.4拓展
7.2本章小结
第三部分实战篇
第8章Friend Find系统
8.1系统功能
8.1.1系统管理员
8.1.2普通用户
8.1.3总体功能
8.2数据库设计
8.2.1原始用户数据表
8.2.2注册用户数据表
8.2.3系统管理员表
8.2.4聚类中心表
8.3系统技术框架
8.4系统流程
8.4.1登录
8.4.2注册
8.4.3上传数据
8.4.4调用K-Means算法
8.4.5查看用户分组
8.4.6查看分组情况
8.4.7查看分组成员
8.5系统实现
8.5.1登录
8.5.2注册
8.5.3上传数据
8.5.4调用K-Means算法
8.5.5查看用户分组
8.5.6查看分组情况
8.5.7查看分组成员
8.6本章小结
第9章Wine Identification系统
9.1系统功能
9.1.1用户管理模块
9.1.2随机森林模型建立模块
9.1.3随机森林模型预测模块
9.2系统框架
9.3数据库设计
9.3.1用户表
9.3.2系统常量表
9.4系统流程
9.4.1登录
9.4.2注销
9.4.3权限修改
9.4.4密码修改
9.4.5用户列表
9.4.6数据上传
9.4.7随机森林模型建立
9.4.8随机森林模型评估
9.4.9随机森林模型预测
9.5系统实现
9.5.1登录
9.5.2注销
9.5.3权限修改
9.5.4密码修改
9.5.5用户列表
9.5.6数据上传
9.5.7随机森林模型建立
9.5.8随机森林模型评估
9.5.9随机森林模型预测
9.6本章小结
第10章Dating Recommender系统
10.1系统功能
10.1.1系统管理员功能
10.1.2普通用户功能
10.1.3功能总述
10.2系统框架
10.3数据库设计
10.3.1系统管理员表
10.3.2原始用户推荐信息表
10.3.3基础数据top10表
10.4系统流程
10.4.1登录
10.4.2上传数据
10.4.3推荐分析
10.4.4单用户推荐
10.4.5新用户推荐
10.5算法设计
10.5.1协同过滤算法接口设计
10.5.2top10算法设计
10.5.3新用户推荐算法设计
10.6系统实现
10.6.1登录
10.6.2上传数据
10.6.3推荐分析
10.6.4单用户推荐
10.6.5新用户推荐
10.7本章小结
第11章博客推荐系统
11.1系统功能
11.1.1用户管理
11.1.2建立知识库
11.1.3博客管理
11.2系统框架
11.3数据库设计
11.3.1用户信息表
11.3.2知识库信息表
11.3.3系统常量表
11.4系统流程
11.4.1登录
11.4.2注册
11.4.3密码修改
11.4.4订阅博客查看
11.4.5博客订阅与退订
11.4.6博客推荐
11.4.7上传数据
11.4.8调用FP树关联规则算法
11.5算法设计
11.6系统实现
11.6.1登录
11.6.2注册
11.6.3密码修改
11.6.4订阅博客查看
11.6.5运行FP云算法
11.6.6博客订阅与退订
11.6.7博客推荐
11.7本章小结