研究大数据和数据挖掘的都知道，并行化算法研究是大数据领域一个较为重要的研究热点。近年来国内外开始关注在 Spark 平台上如何实现各种机器学习和数据挖掘并行化算法设计。
Spark 提供了大量的库，包括SQL、DataFrames、MLlib、GraphX、Spark Streaming。 开发者可以在同一个应用程序中无缝组合使用这些库。
《深度实践Spark机器学习》系统讲解了Spark机器学习的技术、原理、组件、算法，以及构建Spark机器学习系统的方法、流程、标准和规范。此外，还介绍了Spark的深度学习框架TensorFlowOnSpark，以及如何借助它实现卷积神经网络和循环神经网络。
学习参考：
《深度实践Spark机器学习》PDF，247页，带书签目录，文字可以复制；
作者 吴茂贵等。
下载：https://pan.baidu.com/s/15l70-TlT0zomyxUroNjJCA
提取码: aab6
全书共14章，分为四个部分：
第一部分（1~7章）
主要讲解了Spark机器学习的技术、原理和核心组件，包括Spark ML、Spark ML Pipeline、Spark MLlib，以及如何构建一个Spark 机器学习系统。
第二部分（8~12章）
主要以实例为主，讲解了Spark ML的各种机器学习算法，包括推荐模型、分类模型、聚类模型、回归模型，以及PySpark决策 树模型和Spark R朴素贝叶斯模型。
第三部分（第13章）
与之前的批量处理不同，本章以在线数据或流式数据为主，讲解了Spark的流式计算框架Spark Streaming。
第四部分（第14章）
介绍了Spark深度学习，主要包括TensorFlow的基础知识及它与Spark的整合框架TensorFlowOnSpark。
