【CSDN博客迁移】Spark机器学习过程梳理

最近半个月开始研究Spark的机器学习算法，由于工作原因，其实现在还没有真正开始机器学习算法的研究，只是做了前期大量的准备，现在把早年学习的，正在学习的和将要学习的一起做个梳理，整理一个Spark机器学习完整流程。本文推荐的书籍注重通俗和实战。

基础知识

Linux基础知识和实战

Linux的学习推荐《鸟哥的Linux私房菜》基础篇，这本书是成千上万Linux学习者的入门书籍，诙谐，幽默，深刻，注实战。我早年看的时候是第三版，今年6月份鸟哥已经更新到了第四版。
繁体网址:http://cn.linux.vbird.org/
简体网址:https://wizardforcel.gitbooks.io/vbird-linux-basic-4e/content/

网络知识

在集群运维时，尤其是生产环境下，各个节点之间的网络问题，至关重要，推荐《鸟哥的Linux私房菜》服务器篇和《Wireshark网络分析就这么简单》，后者的作者是EMC网络存储部门的主任工程师，主要以自己工作中遇到的各种难题，通过调侃的方式，介绍了网络的基础知识（很遗憾，我还没有读完）。

Hadoop基础知识和原理

Hadoop的学习我早年看的书是《Hadoop权威指南》，这本书不推荐，因为确实不好啃，翻译的水平有限，对于初学者来说，容易放弃，我开始学习Hadoop时，应该是1.0时代，这时的三架马车是HDFS和MapReduce，HBase，这几年随着Hadoop的在业界的迅速发展，进入了2.0时代，集成进了雅虎的Yarn资源管理器。当然不管如何发展，HDFS和MapReduce还是Hadoop的核心，最好动手去搭建Hadoop集群（前面Linux的学习在这里就能发挥作用了）。

Spark基础知识和原理

Spark的学习推荐《Spark快速大数据分析》和官网指南，这本书是Saprk开源社区的几位核心贡献者写的，读起来很流程，其中RDD章节是核心，相对于MapReduce每次中间过程都将数据写入硬盘,IO消耗大，RDD则是放在了内存中，速度不言而语（其实就是牺牲内存换速度）。当然最好也去动手搭建集群，这里可以参考我之前写的博客
集群搭建:https://www.jianshu.com/p/4b8b3e2ffe84
开发实例:https://www.jianshu.com/p/eb6f3e0c09b5

开发语言

在机器学习领域的语言，一定是一门函数式编程语言，其次有强大的第三方科学计算库。

Python

在科学计算领域，Python无疑是第一语言，Spark也是支持Python的，Python的第三方库有NumPy（数值处理库）、SciPy（数学符号计算库）、matplotlib等。

Scala

Python作为科学计算领域的第一语言，有着庞大的科学计算库，但是，我个人选择Scala语言的原因有两个：一，Scala语言的函数式设计更好，二，Scala是运行在JVM上的，在生成坏境下速度优势明显。
基础语法的学习推荐：http://twitter.github.io/scala_school/zh_cn/ （Twitter的Scala课堂）
推荐视频1：http://www.imooc.com/learn/613 （慕课网scala视频教程），这个视频是下面英文版视频的简化版，每集7分钟左右，主要理解Scala函数式编程的思想。
推荐文章：https://www.zhihu.com/question/28292740 （函数式编程思维），和上面的视频一起看，基本上是scala函数式编程的精髓。
推荐视频2：https://www.coursera.org/specializations/scala （Scala 函数式程序设计原理），视频是scala语言的设计者Martin Odersky教授讲解的，有中文字幕，这个是深入学习Scala视频。

理论知识

线性代数

如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多 ————瑞典数学家Lars Garding

这句话可能有点过，但至少是机器学习的基础。
推荐视频1：麻省理工学院Gilbert Strang教授的线性代数课，视频地址：http://open.163.com/special/opencourse/daishu.html （已看到19集），上学阶段未理解的很多概念，如矩阵列空间，零空间，和行空间及线性变换，这门课讲的很好。
推荐视频2：线性代数的本质视频地址：https://www.bilibili.com/video/av6731067/ ，B站翻译的视频，作者结合动画形式从几何角度讲解线性变化，矩阵，行列式，向量空间等意义。讲的非常好，谢谢翻译作者。
推荐文章：《线性代数的本质》一篇博客，和上面的视频结合这看。
推荐书籍：David C.Lay 教授的《线性代数及其应用》，这本书对于矩阵的线性变化解释的很好，是一本很好的工具书，可以随时翻。

Spark高级数据分析和机器学习

下面才是真正的机器学习开始。这里推荐《Spark高级数据分析》和《Spark机器学习》
前者的作者是Cloudera公司的数据科学家，主要以目前业界的案例分析。在理解的基础上最好去动手实践，我个人在集群上运行了第八章的案例，可以参考我之前写的博客：利用Docker搭建大数据处理集群。后者还没读。
机器学习才刚开始，后续会更新。