Apache Spark是分布式计算框架，专为满足低延迟任务和内存数据存储的需求而优化。现有的并行计算框架，鲜有能在兼顾速度、可扩展性、内存处理和容错性的同时，还提供灵活、表达力丰富的API的。Apache Spark就是这样一个难得的框架。

本书简要介绍了Spark基础知识，重在通过详细的例子和现实应用来讲解常见机器学习模型，并涉及大规模文本数据的处理、Spark Streaming下的在线机器学习和模型评估方法，以及使用Spark ML Pipeline API创建和调试机器学习流程等。第2版经过全面修订，新增有关机器学习数学基础以及Spark ML Pipeline API的章节，内容更加系统、全面、与时俱进，适合所有欲借助Spark来实现常见机器学习应用的开发者。

• Spark以及机器学习基础知识介绍。
• 获取公开的机器学习数据集，使用Spark对数据进行载入、处理、清理和转换。
• 借助Spark机器学习库，利用协同过滤、分类、回归、聚类和降维等常见的机器学习模型来编写程序。
• 了解大规模文本数据的处理方法，包括特征提取和将文本数据作为机器学习模型的输入。
• 探索在线学习方法，利用Spark Streaming进行在线学习和模型评估。
• 使用Spark ML Pipeline API创建和调试机器学习流程。

拉结帝普•杜瓦（Rajdeep Dua）

Salesforce公司工程主管，致力于打造云计算和人工智能团队。曾参与Google的大数据分析工具BigQuery的宣传团队。在云计算、大数据分析和机器学习领域有近20年的经验。


曼普利特•辛格•古特拉（Manpreet Singh Ghotra）

Salesforce公司软件工程主管，拥有十余年软件开发经验，目前致力于开发基于Apache Spark的机器学习平台。


尼克•彭特里思（Nick Pentreath）

IBM开源数据及人工智能技术中心首席工程师，大数据及机器学习公司Graphflow联合创始人，Spark项目管理委员会成员。


【译者简介】

蔡立宇

曾从事自然语言处理和图数据分析相关工作，现提供数据分析相关的独立咨询和开发服务。坐标深圳。