最近半個月開始研究Spark的機器學習算法，由于工作原因，其實現在還沒有真正開始機器學習算法的研究，只是做了前期大量的準備，現在把早年學習的，正在學習的和將要學習的一起做個梳理，整理一個Spark機器學習完整流程。本文推薦的書籍注重通俗和實戰。
基礎知識
Linux基礎知識和實戰
Linux的學習推薦《鳥哥的Linux私房菜》基礎篇，這本書是成千上萬Linux學習者的入門書籍，詼諧，幽默，深刻，注實戰。我早年看的時候是第三版，今年6月份鳥哥已經更新到了第四版。
繁體網址:http://cn.linux.vbird.org/
簡體網址:https://wizardforcel.gitbooks.io/vbird-linux-basic-4e/content/
網絡知識
在集群運維時，尤其是生產環境下，各個節點之間的網絡問題，至關重要，推薦《鳥哥的Linux私房菜》服務器篇和《Wireshark網絡分析就這么簡單》，后者的作者是EMC網絡存儲部門的主任工程師，主要以自己工作中遇到的各種難題，通過調侃的方式，介紹了網絡的基礎知識（很遺憾，我還沒有讀完）。
Hadoop基礎知識和原理
Hadoop的學習我早年看的書是《Hadoop權威指南》，這本書不推薦，因為確實不好啃，翻譯的水平有限，對于初學者來說，容易放棄，我開始學習Hadoop時，應該是1.0時代，這時的三架馬車是HDFS和MapReduce，HBase，這幾年隨著Hadoop的在業界的迅速發展，進入了2.0時代，集成進了雅虎的Yarn資源管理器。當然不管如何發展，HDFS和MapReduce還是Hadoop的核心，最好動手去搭建Hadoop集群（前面Linux的學習在這里就能發揮作用了）。
Spark基礎知識和原理
Spark的學習推薦《Spark快速大數據分析》和官網指南，這本書是Saprk開源社區的幾位核心貢獻者寫的，讀起來很流程，其中RDD章節是核心，相對于MapReduce每次中間過程都將數據寫入硬盤,IO消耗大，RDD則是放在了內存中，速度不言而語（其實就是犧牲內存換速度）。當然最好也去動手搭建集群，這里可以參考我之前寫的博客
集群搭建:http://www.lxweimin.com/p/4b8b3e2ffe84
開發實例:http://www.lxweimin.com/p/eb6f3e0c09b5
開發語言
在機器學習領域的語言，一定是一門函數式編程語言，其次有強大的第三方科學計算庫。
Python
在科學計算領域，Python無疑是第一語言，Spark也是支持Python的，Python的第三方庫有NumPy（數值處理庫）、SciPy（數學符號計算庫）、matplotlib等。
Scala
Python作為科學計算領域的第一語言，有著龐大的科學計算庫，但是，我個人選擇Scala語言的原因有兩個：一，Scala語言的函數式設計更好，二，Scala是運行在JVM上的，在生成壞境下速度優勢明顯。
基礎語法的學習推薦：http://twitter.github.io/scala_school/zh_cn/ （Twitter的Scala課堂）
推薦視頻1：http://www.imooc.com/learn/613 （慕課網scala視頻教程），這個視頻是下面英文版視頻的簡化版，每集7分鐘左右，主要理解Scala函數式編程的思想。
推薦文章：https://www.zhihu.com/question/28292740 （函數式編程思維），和上面的視頻一起看，基本上是scala函數式編程的精髓。
推薦視頻2：https://www.coursera.org/specializations/scala （Scala 函數式程序設計原理），視頻是scala語言的設計者Martin Odersky教授講解的，有中文字幕，這個是深入學習Scala視頻。
理論知識
線性代數
如果不熟悉線性代數的概念，要去學習自然科學，現在看來就和文盲差不多 ————瑞典數學家Lars Garding
這句話可能有點過，但至少是機器學習的基礎。
推薦視頻1：麻省理工學院Gilbert Strang教授的線性代數課 ，視頻地址：http://open.163.com/special/opencourse/daishu.html （已看到19集），上學階段未理解的很多概念，如矩陣列空間，零空間，和行空間及線性變換，這門課講的很好。
推薦視頻2：線性代數的本質 視頻地址：https://www.bilibili.com/video/av6731067/ ，B站翻譯的視頻，作者結合動畫形式從幾何角度講解線性變化，矩陣，行列式，向量空間等意義。講的非常好，謝謝翻譯作者。
推薦文章：《線性代數的本質》 一篇博客，和上面的視頻結合這看。
推薦書籍：David C.Lay 教授的《線性代數及其應用》，這本書對于矩陣的線性變化解釋的很好，是一本很好的工具書，可以隨時翻。
Spark高級數據分析和機器學習
下面才是真正的機器學習開始。這里推薦《Spark高級數據分析》和《Spark機器學習》
前者的作者是Cloudera公司的數據科學家，主要以目前業界的案例分析。在理解的基礎上最好去動手實踐，我個人在集群上運行了第八章的案例，可以參考我之前寫的博客：利用Docker搭建大數據處理集群。 后者還沒讀。
機器學習才剛開始，后續會更新。
