Mahout در عمل ۲۰۱۱
Mahout in Action 2011

Mahout in Action یک مقدمه عملی برای یادگیری ماشین با استفاده از Apache Mahout است. این کتاب با بهره‌گیری از مثال‌های دنیای واقعی، ابتدا کاربردهای عملی را معرفی می‌کند و سپس نشان می‌دهد که چگونه می‌توان از Mahout برای حل آن‌ها استفاده کرد. این کتاب شامل یک نسخه الکترونیکی رایگان با قابلیت‌های صوتی و تصویری نیز می‌باشد.

درباره فناوری

یک سیستم کامپیوتری که با جمع‌آوری داده‌ها، یاد می‌گیرد و خود را با آن‌ها تطبیق می‌دهد، می‌تواند بسیار قدرتمند باشد. Mahout، پروژه‌ی متن‌باز یادگیری ماشین Apache، الگوریتم‌های اصلی سیستم‌های پیشنهاددهنده، طبقه‌بندی و خوشه‌بندی را در قالب کتابخانه‌های مقیاس‌پذیر و آماده به کار ارائه می‌دهد. با Mahout، می‌توانید بلافاصله تکنیک‌های یادگیری ماشینی را که Amazon، Netflix و دیگران را به جلو می‌برند، در پروژه‌های خود به کار ببرید.

درباره این کتاب

این کتاب به پوشش یادگیری ماشین با استفاده از Apache Mahout می‌پردازد. این کتاب بر اساس تجربه در کاربردهای دنیای واقعی، ابتدا کاربردهای عملی را معرفی می‌کند و سپس نشان می‌دهد که چگونه می‌توان از Mahout برای حل آن‌ها استفاده کرد. تمرکز ویژه‌ای بر مسائل مقیاس‌پذیری و چگونگی به کارگیری این تکنیک‌ها بر روی مجموعه‌های داده بزرگ با استفاده از چارچوب Apache Hadoop دارد.

این کتاب برای توسعه‌دهندگانی نوشته شده است که با Java آشنایی دارند — هیچ تجربه‌ی قبلی با Mahout مورد نیاز نیست.

خریداران نسخه‌ی چاپی Manning در هر کجای دنیا می‌توانند نسخه الکترونیکی رایگان را از manning.com در هر زمان دانلود کنند. آن‌ها می‌توانند این کار را چندین بار و در هر قالب موجود (PDF، ePub یا Kindle) انجام دهند. برای این کار، مشتریان باید نسخه چاپی خود را در سایت Manning با ایجاد یک حساب کاربری ثبت کرده و سپس دستورالعمل‌های چاپ شده روی برگه ثبت نام نسخه چاپی در ابتدای کتاب را دنبال کنند.

مطالب داخل کتاب
* از داده‌های گروهی برای ارائه پیشنهادات شخصی استفاده کنید
* خوشه‌های منطقی را در داده‌های خود بیابید
* با طبقه‌بندی آنی، داده‌ها را فیلتر و اصلاح کنید
* محتوای صوتی و تصویری اضافی رایگان

فهرست مطالب
1. آشنایی با Apache Mahout
بخش 1: سیستم‌های پیشنهاددهنده
2. معرفی سیستم‌های پیشنهاددهنده
3. نمایش داده‌های سیستم پیشنهاددهنده
4. ارائه پیشنهادات
5. انتقال سیستم‌های پیشنهاددهنده به محیط عملیاتی
6. توزیع محاسبات پیشنهاددهنده
بخش 2: خوشه‌بندی
7. مقدمه‌ای بر خوشه‌بندی
8. نمایش داده‌ها
9. الگوریتم‌های خوشه‌بندی در Mahout
10. ارزیابی و بهبود کیفیت خوشه‌بندی
11. انتقال خوشه‌بندی به محیط عملیاتی
12. کاربردهای دنیای واقعی خوشه‌بندی
بخش 3: طبقه‌بندی
13. مقدمه‌ای بر طبقه‌بندی
14. آموزش یک طبقه‌بندی‌کننده
15. ارزیابی و تنظیم یک طبقه‌بندی‌کننده
16. استقرار یک طبقه‌بندی‌کننده
17. مطالعه موردی: Shop It To Me

Mahout in Action is a hands-on introduction to machine learning with Apache Mahout. Following real-world examples, the book presents practical use cases and then illustrates how Mahout can be applied to solve them. Includes a free audio- and video-enhanced ebook.
About the Technology
A computer system that learns and adapts as it collects data can be really powerful. Mahout, Apache’s open source machine learning project, captures the core algorithms of recommendation systems, classification, and clustering in ready-to-use, scalable libraries. With Mahout, you can immediately apply to your own projects the machine learning techniques that drive Amazon, Netflix, and others.
About this Book
This book covers machine learning using Apache Mahout. Based on experience with real-world applications, it introduces practical use cases and illustrates how Mahout can be applied to solve them. It places particular focus on issues of scalability and how to apply these techniques against large data sets using the Apache Hadoop framework.

This book is written for developers familiar with Java — no prior experience with Mahout is assumed.

Owners of a Manning pBook purchased anywhere in the world can download a free eBook from manning.com at any time. They can do so multiple times and in any or all formats available (PDF, ePub or Kindle). To do so, customers must register their printed copy on Manning’s site by creating a user account and then following instructions printed on the pBook registration insert at the front of the book.
What’s Inside

• Use group data to make individual recommendations
• Find logical clusters within your data
• Filter and refine with on-the-fly classification
• Free audio and video extras

Table of Contents

1. Meet Apache Mahout

PART 1 RECOMMENDATIONS

2. Introducing recommenders
3. Representing recommender data
4. Making recommendations
5. Taking recommenders to production
6. Distributing recommendation computations

PART 2 CLUSTERING

7. Introduction to clustering
8. Representing data
9. Clustering algorithms in Mahout
10. Evaluating and improving clustering quality
11. Taking clustering to production
12. Real-world applications of clustering

PART 3 CLASSIFICATION

13. Introduction to classification
14. Training a classifier
15. Evaluating and tuning a classifier
16. Deploying a classifier
17. Case study: Shop It To Me