1 概述 1.1 數據挖掘 1.1.1 推薦系統 1.1.2 聚類算法 1.1.3 分類算法 1.1.4 監督學習和無監督學習 1.1.5 關聯規則 1.2 Mahout使用說明 1.2.1 關于Mahout 1.2.2 配置Mahout2 推薦系統 2.1 知識要點 2.1.1 推薦系統定義 2.1.2 查準率與查全率 2.1.3 協同過濾 2.1.4 相似度計算 2.2 創建一個推薦程序 2.2.1 創建輸入 2.2.2 運行推薦程序 2.3 評估一個推薦程序 2.4 基于用戶的協同過濾 2.4.1 算法思想 2.4.2 基于歐幾里得距離的user-based推薦程序 2.5 基于商品的協同過濾 2.5.1 算法思想 2.5.2 基于歐幾里得距離的item-based推薦程序 2.6 Slope-one推薦算法 2.6.1 算法思想 2.6.2 Slope-one推薦程序3 聚類算法 3.1 知識要點 3.1.1 TFIDF權重 3.1.2 向量空間模型及距離度量 3.1.3 k-means聚類算法 3.1.4 模糊k-means聚類算法 3.2 聚類示例 3.2.1 生成輸入數據 3.2.2 使用Mahout聚類 3.3 使用各種距離度量 3.3.1 歐氏距離測度 3.3.2 平方歐氏距離測度 3.3.3 曼哈頓距離測度 3.3.4 余弦距離測度 3.3.5 谷本距離測度 3.4 數據向量化表示 3.4.1 將數據轉換為向量 3.4.2 從文檔中生成向量 3.5 k.means新聞聚類 3.5.1 內存k-means聚類 3.5.2 Hadoop下的k-means新聞文本聚類 3.6 模糊k-means新聞聚類 3.6.1 內存模糊k.means聚類 3.6.2 Hadoop下的模糊k-means新聞文本聚類4 分類算法 4.1 知識要點 4.1.1 分類算法基本流程 4.1.2 *近鄰分類器 4.1.3 邏輯回歸分類算法 4.1.4 SVM分類算法 4.1.5 樸素貝葉斯分類算法 4.1.6 決策樹 4.1.7 隨機森林分類算法 4.1.8 人工神經網絡分類器 4.2 簡單分類示例——填充顏色分類器 4.2.1 查看數據 4.2.2 訓練模型 4.3 文本分類算法準備工作 4.3.1 訓練分類器流程 4.3.2 實現文本的詞條化和向量化 4.4 邏輯回歸新聞分類算法 4.4.1 準備數據集 4.4.2 模型建立與評估 4.4.3 部分運行過程 4.5 樸素貝葉斯新聞分類算法 4.6 隱馬爾科夫模型5 關聯規則 5.1 知識要點 5.1.1 頻繁項集發現 5.1.2 支持度和置信度 5.1.3 Apriori關聯規則挖掘算法 5.2 關聯規則挖掘示例 5.2.1 發現頻繁項集 5.2.2 產生關聯規則參考文獻