目录11.SparkMLlib神经网络算法11.1 人工神经网络算法11.2 算法源码分析11.3 应用实战11.3.1 数据说明11.3.2 测试函数代码11.3.3 代码详解11.SparkMLlib神经网络算法11.1 人工神经网络算法（1）人工神经网络人工神经网络（Artificial Neural Networks——ANNs）提供了一种普遍而且实用的方法，来从样本中学习值为实数、离散或

目录9.SparkMLlib协同过滤推荐算法9.1 协同过滤推荐算法9.2 算法源码分析9.3 应用实战9.3.1 数据说明9.3.2 代码详解9.SparkMLlib协同过滤推荐算法9.1 协同过滤推荐算法协同过滤算法是一种经典的推荐算法，推荐算法的基础是计算两个对象之间的相关度，其有两种实现形式：基于用户的推荐和基于物品的推荐。基于用户的推荐思想是基于用户对某项物品的喜好找到具有相同喜好的相邻

目录8.SparkMLlib关联规则挖掘算法8.1关联规则算法8.2算法源码分析8.3应用实战8.3.1 数据说明8.3.2代码详解8.SparkMLlib关联规则挖掘算法8.1关联规则算法研究规则挖掘算法的目的是发下商品交易数据库中不同类型商品之间的潜在联系，找出客户在购买商品时的行为模式。例如客户购买了某个产品，会对客户购买其他产品产生何种影响，通过分析诸如此类的结果，可以应用到实际的商业规划

3.2 SparkMLlib 支持向量机SVM算法3.2.1支持向量机算法支持向量机是数据挖掘中一个很经典的算法，因为其推导过程涉及很多数学概念且其核函数的变化，在此将用尽量通俗的语言来描述这一算法，从其功能性出发进行讲解。支持向量机不仅对分类问题有良好的处理效果，对回归问题也有很好的解决方案。SVM分类器可以在样本空间中对属于不同类别的样本进行区分，用来作为区分的分隔面就是分隔超平面。对于一个S

本文作为spark机器学习入门第一课，主要对线性回归算法做出理论解释，分析spark中回归模型的实现和训练方式，并完成代码实战。

目录1.开篇明义2.在哪里刷题2.1 Leetcode2.2 牛客网nowcoder3.准备工作视频课程专栏资料书籍资料4.如何刷题刷题六步法第一步第二步第三步第四步第五步第六步刷哪些题补充说明1.开篇明义本专栏只做三件事：刷题！刷题！还是刷题！！！剑指offer作为系统刷题的入门还是很合适的，后续还会针对进阶的刷题写相应的专栏。2.在哪里刷题不需要本地编辑器，这里推荐两个刷题必备的网址：2.1

目录6.SparkMLlib逻辑回归算法6.1 逻辑回归算法6.2算法源码分析6.3应用实战6.3.1 数据说明6.3.2 代码详解6.SparkMLlib逻辑回归算法6.1 逻辑回归算法逻辑回归——logistic regression，直译为对数几率，又译为逻辑斯蒂回归，逻辑回归名为回归其实是分类算法。其数学模型本质是线性回归，在特征到结果的映射中加了一层函数映射，先对所有的特征线性求和，到这

目录5.SparkMLlib决策树算法（2课时）5.1决策树算法5.2 算法源码分析5.3应用实战5.3.1 数据说明5.3.2 代码详解5.SparkMLlib决策树算法（2课时）5.1决策树算法决策树DecisionTree的结构是树型的，由节点和有向边组成。节点由内部节点和叶子节点组成，内部节点表示一个特征的度量，叶子节点表示一个具体的分类，每个分支表示度量的输出结果。决策树算法采用的是自顶

目录7.SparkMLlib KMeans聚类算法7.1 KMeans聚类算法7.2 算法源码分析7.3 应用实战7.3.1 数据说明7.3.2 代码详解7.SparkMLlib KMeans聚类算法7.1 KMeans聚类算法KMeans聚类算法属于划分类型的聚类方法，其求解过程是迭代计算，基本思想是在开始时随机选择K个簇的中心，依据最近邻规则，把待分类样本点分给每个簇。按照平均计算的方法再计算