更新完15章 md内容

Author: jiangzhonglian

bin/15_test.sh

@@ -0,0 +1,19 @@
+#!/bin/bash
+
+# # 测试 Mapper
+# # Linux
+# cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py
+# # # Window
+# # python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt
+
+# # 测试 Reducer
+# # Linux
+# cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py | python src/python/15.BigData_MapReduce/mrMeanReducer.py
+# # # Window
+# # python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanReducer.py
+
+# 测试 mrjob的案例
+# 先测试一下mapper方法
+# python src/python/15.BigData_MapReduce/mrMean.py --mapper < input/15.BigData_MapReduce/inputFile.txt
+# 运行整个程序，移除 --mapper 就行
+python src/python/15.BigData_MapReduce/mrMean.py < input/15.BigData_MapReduce/inputFile.txt

docs/1.机器学习基础.md

@@ -111,5 +111,4 @@ http://baike.baidu.com/link?url=76P-uA4EBrC3G-I__P1tqeO7eoDS709Kp4wYuHxc7GNkz_xn
 
 * **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [1988](http://www.apache.wiki/display/~lihuisong)**
 * [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
-* [原文链接](https://github.com/apachecn/MachineLearning/blob/master/docs/1.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.md): <https://github.com/apachecn/MachineLearning/blob/master/docs/1.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.md>
-* **版权声明: 内容由[ApacheCN(apache中文网)](http://www.apache.wiki)更新维护，欢迎转载学习-记得标注信息来源，谢谢**
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/13.利用PCA来简化数据.md

@@ -90,3 +90,9 @@
 如果使用在线PCA分析的方法，你可以参考一篇优秀的论文 "Incremental Eigenanalysis for Classification"。 
 下一章要讨论的奇异值分解方法也可以用于特征值分析。
 ```
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/14.利用SVD简化数据.md

@@ -1,6 +1,8 @@
 # 第14章 利用SVD简化数据
 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script>
 
+![利用SVD简化数据首页](/images/14.SVD/svd_headPage.jpg "利用SVD简化数据首页")
+
 ```
 奇异值分解（SVD, Singular Value Decomposition）:
     提取信息的一种方法，可以把SVD看成是从噪声数据中抽取相关特征。从生物信息学到金融学，SVD是提出信息的强大工具。
@@ -115,3 +117,9 @@
 * 1）在大型系统中，SVD分解(可以在程序调入时运行一次)每天运行一次或者其频率更低，并且还要离线运行。
 * 2）在实际中，另一个普遍的做法就是离线计算并保存相似度得分。(物品相似度可能被用户重复的调用)
 * 3）冷启动问题，解决方案就是将推荐看成是搜索问题，通过各种标签／属性特征进行`基于内容的推荐`。
+
+* * *
+
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [1988](http://www.apache.wiki/display/~lihuisong)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

docs/15.大数据与MapReduce.md

@@ -1,22 +1,21 @@
 # 大数据与MapReduce
 
-> 本章内容
+![大数据与MapReduce首页](/images/15.BigData_MapReduce/mr_headPage.jpg "大数据与MapReduce首页")
 
-* MapReduce
-* Python中Hadoop流的使用
-* 使用mrjob库将MapReduce自动化
-* 利用Pegasos算法并行训练支持向量机
+`大数据: 收集到的数据已经远远超出了我们的处理能力。`
 
-## MapReduce：分布式计算的框架
+## MapReduce
 
 ```
-优点：可在短时间内完成大量工作。
-缺点：算法必须经过重写，需要对系统工程有一定的理解。
-适用数据类型：数值型和标称型数据。
+Hadoop 是 MapRedece框架的一个免费开源实现。
+MapReduce: 分布式的计算框架，可以将单个计算作业分配给多台计算机执行。
+优点: 使程序以并行的方式执行，可在短时间内完成大量工作。
+缺点: 算法必须经过重写，需要对系统工程有一定的理解。
+适用数据类型: 数值型和标称型数据。
 ```
 
-* MapReduce集群的示意图
-![MapReduce集群的示意图](/images/15.BigData_MapReduce/MR_1_cluster.jpg)
+* MapReduce框架的示意图
+* ![MapReduce框架的示意图](/images/15.BigData_MapReduce/mr_1_cluster.jpg)
 
 > 关于MapRduce的学习要点
 
@@ -27,16 +26,104 @@
 * 数据被重复存放在不同的机器上，以防止某个机器实效
 * mapper和reducer传输的数据形式为key/value对
 
-## Hadoop流
+## Python中Hadoop流的使用
 
-## 在Amazon网络服务商运行Hadoop程序
+> 理论简介
+
+例如: Hadoop流可以像Linux命令一样执行
+
+```Shell
+cat inputFile.txt | python mapper.py | sort | python reducer.py > outputFile.txt
+```
+
+类似的Hadoop流就可以在多台机器上分布式执行，用户可以通过Linux命令来测试Python语言编写的MapReduce脚本。
+
+> 实战脚本
+
+```
+# 测试 Mapper
+# Linux
+cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py
+# # Window
+# python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt
+
+# 测试 Reducer
+# Linux
+cat input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanMapper.py | python src/python/15.BigData_MapReduce/mrMeanReducer.py
+# # Window
+# python src/python/15.BigData_MapReduce/mrMeanMapper.py < input/15.BigData_MapReduce/inputFile.txt | python src/python/15.BigData_MapReduce/mrMeanReducer.py
+```
 
 ## MapReduce上的机器学习
 
-## 在Python中使用mrjob来自动化MapReduce
+> Mahout in Action
+
+1. 简单贝叶斯：
+2. k-近邻算法：
+3. 支持向量机(SVM)：使用随机梯度下降算法求解，如Pegasos算法。
+4. 奇异值分解：Lanczos算法是一个有效的求解近似特征值的算法。
+5. k-均值聚类：canopy算法初始化k个簇，然后再运行K-均值求解结果。
+
+## 使用mrjob库将MapReduce自动化
+
+> 理论简介
+
+* MapReduce作业流自动化的框架：Cascading 和 Oozie.
+* mrjob是一个不错的学习工具，与2010年底实现了开源，来之于Yelp(一个餐厅点评网站).
+
+```Shell
+python mrMean.py < inputFile.txt > myOut.txt
+```
+
+> 实战脚本
+
+```
+# 测试 mrjob的案例
+# 先测试一下mapper方法
+# python src/python/15.BigData_MapReduce/mrMean.py --mapper < input/15.BigData_MapReduce/inputFile.txt
+# 运行整个程序，移除 --mapper 就行
+python src/python/15.BigData_MapReduce/mrMean.py < input/15.BigData_MapReduce/inputFile.txt
+```
+
+## 利用Pegasos算法并行训练支持向量机
+
+> 在MapReduce框架上使用SVM的一般方法
+
+```
+收集数据：数据按文本格式存放。
+准备数据：输入数据已经是可用的格式，所以不需任何准备工作。如果你需要解析一个大规模的数据集，建议使用map作业来完成，从而达到并行处理的目的。
+分析数据：无。
+训练算法：与普通的SVM一样，在分类器训练上仍需花费大量的时间。
+测试算法：在二维空间上可视化之后，观察超平面，判断算法是否有效。
+使用算法：本例不会展示一个完整的应用，但会展示如何在大数据集上训练SVM。该算法其中一个应用场景就是本文分类，通常在文本分类里可能有大量的文档和成千上万的特征。
+```
+
+> Pegasos 算法
+
+Pegasos是指原始估计梯度求解器(Peimal Estimated sub-GrAdient Solver)。
+Pegasos算法工作流程是：
+1. 从训练集中随机挑选一些样本点添加到带处理列表中
+2. 按序判断每个样本点是否被正确分类
+    * 如果是则忽略
+    * 如果不是则将其加入到待更新集合。
+3. 批处理完毕后，权重向量按照这些错分的样本进行更新。
+
+上述算法伪代码如下：
+
+```
+将w初始化为0
+对每次批处理
+    随机选择k个样本点(向量)
+    对每个向量
+        如果该向量被错分：
+            更新权重向量w
+    累加对w的更新
+```
 
-## 示例：分布式SVM的Pegasos算法
+我们继续看Python版本的代码实现。
 
-## 你真的需要MapReduce吗？
+* * *
 
-## 本章小节
+* **作者：[片刻](http://www.apache.wiki/display/~jiangzhonglian) [小瑶](http://www.apache.wiki/users/viewmyprofile.action)**
+* [GitHub地址](https://github.com/apachecn/MachineLearning): <https://github.com/apachecn/MachineLearning>
+* **版权声明：欢迎转载学习 => 请标注信息来源于 [ApacheCN](http://www.apache.wiki)**

images/14.SVD/svd_headPage.jpg

@@ -3,7 +3,7 @@
 '''
 Created on Mar 8, 2011
 Update  on 2017-05-18
-@author: Peter Harrington/山上有课树
+@author: Peter Harrington/山上有课树/片刻
 《机器学习实战》更新地址：https://github.com/apachecn/MachineLearning
 '''
 from numpy import linalg as la

images/15.BigData_MapReduce/mr_headPage.jpg

@@ -1,45 +1,58 @@
 #!/usr/bin/python
 # coding:utf8
-
 '''
 Created on 2017-04-07
-
-@author: Peter/ApacheCN-xy
+Update  on 2017-06-20
+@author: Peter/ApacheCN-xy/片刻
+《机器学习实战》更新地址：https://github.com/apachecn/MachineLearning
 '''
 from mrjob.job import MRJob
 
 
 class MRmean(MRJob):
-    def __init__(self, *args, **kwargs): # 对数据初始化
+    def __init__(self, *args, **kwargs):  # 对数据初始化
         super(MRmean, self).__init__(*args, **kwargs)
         self.inCount = 0
         self.inSum = 0
         self.inSqSum = 0
 
-    def map(self, key, val): # 需要 2 个参数，求数据的和与平方和
-        if False: yield
+    # 接受输入数据流
+    def map(self, key, val):  # 需要 2 个参数，求数据的和与平方和
+        if False:
+            yield
         inVal = float(val)
         self.inCount += 1
         self.inSum += inVal
         self.inSqSum += inVal*inVal
 
-    def map_final(self): # 计算数据的平均值，平方的均值，并返回
+    # 所有输入到达后开始处理
+    def map_final(self):  # 计算数据的平均值，平方的均值，并返回
         mn = self.inSum/self.inCount
         mnSq = self.inSqSum/self.inCount
         yield (1, [self.inCount, mn, mnSq])
 
     def reduce(self, key, packedValues):
-        cumVal=0.0; cumSumSq=0.0; cumN=0.0
-        for valArr in packedValues: # 从输入流中获取值
+        cumN, cumVal, cumSumSq = 0.0, 0.0, 0.0
+        for valArr in packedValues:  # 从输入流中获取值
             nj = float(valArr[0])
             cumN += nj
             cumVal += nj*float(valArr[1])
             cumSumSq += nj*float(valArr[2])
         mean = cumVal/cumN
         var = (cumSumSq - 2*mean*cumVal + cumN*mean*mean)/cumN
-        yield (mean, var) # 发出平均值和方差
+        yield (mean, var)  # 发出平均值和方差
 
     def steps(self):
+        """
+        step方法定义执行的步骤。
+        执行顺序不必完全遵循map-reduce模式。
+        例如：
+            1. map-reduce-reduce-reduce
+            2. map-reduce-map-reduce-map-reduce
+        在step方法里，需要为mrjob指定mapper和reducer的名称。如果没有，它将默认调用mapper和reducer方法。
+
+        在mapper 和 mapper_final中还可以共享状态，mapper 或 mapper_final 不能 reducer之间共享状态。
+        """
         return ([self.mr(mapper=self.map, mapper_final=self.map_final, reducer=self.reduce,)])
 
 

src/python/14.SVD/svdRec.py

@@ -2,34 +2,39 @@
 # coding:utf8
 '''
 Created on 2017-04-06
+Update  on 2017-06-20
 Machine Learning in Action Chapter 18
-Map Reduce Job for Hadoop Streaming 
-@author: Peter Harrington/ApacheCn-xy
+Map Reduce Job for Hadoop Streaming
+@author: Peter/ApacheCN-xy/片刻
+《机器学习实战》更新地址：https://github.com/apachecn/MachineLearning
 '''
-
+import sys
+from numpy import mat, mean, power
 
 '''
-	这个mapper文件按行读取所有的输入并创建一组对应的浮点数，然后得到数组的长度并创建NumPy矩阵。
-	再对所有的值进行平方，最后将均值和平方后的均值发送出去。这些值将用来计算全局的均值和方差。
+    这个mapper文件按行读取所有的输入并创建一组对应的浮点数，然后得到数组的长度并创建NumPy矩阵。
+    再对所有的值进行平方，最后将均值和平方后的均值发送出去。这些值将用来计算全局的均值和方差。
 
-	Args：
-		file 输入数据
-	Return：
-		
+    Args：
+        file 输入数据
+    Return：
 '''
-import sys
-from numpy import mat, mean, power
+
 
 def read_input(file):
     for line in file:
-        yield line.rstrip()				# 返回值中包含输入文件的每一行的数据的一个大的List
-        
-input = read_input(sys.stdin)			# 创建一个输入的数据行的列表list
-input = [float(line) for line in input] # 将得到的数据转化为 float 类型
-numInputs = len(input)					# 获取数据的个数，即输入文件的数据的行数
-input = mat(input)						# 将 List 转换为矩阵
-sqInput = power(input,2)				# 将矩阵的数据分别求 平方，即 2次方
+        yield line.rstrip()             # 返回一个 yield 迭代器，每次获取下一个值，节约内存。
+
+
+input = read_input(sys.stdin)            # 创建一个输入的数据行的列表list
+input = [float(line) for line in input]  # 将得到的数据转化为 float 类型
+numInputs = len(input)                   # 获取数据的个数，即输入文件的数据的行数
+input = mat(input)                       # 将 List 转换为矩阵
+sqInput = power(input, 2)                # 将矩阵的数据分别求 平方，即 2次方
 
 # 输出 数据的个数，n个数据的均值，n个数据平方之后的均值
-print ("%d\t%f\t%f" % (numInputs, mean(input), mean(sqInput))) #计算均值
-print >> sys.stderr, "report: still alive"
+# 第一行是标准输出，也就是reducer的输出
+# 第二行识标准错误输出，即对主节点作出的响应报告，表明本节点工作正常。
+# 【这不就是面试的装逼重点吗？如何设计监听架构细节】注意：一个好的习惯是想标准错误输出发送报告。如果某任务10分钟内没有报告输出，则将被Hadoop中止。
+print("%d\t%f\t%f" % (numInputs, mean(input), mean(sqInput)))  # 计算均值
+print >> sys.stderr, "map report: still alive"