Mahout提供一些可擴展的機器學習領域經典演算法的實現，旨在幫助開發人員更方便快速地創建智慧應用程式。 Mahout包含許多實現，包括聚類、分類、建議過濾、頻繁子項挖掘。此外，透過使用 Apache Hadoop 函式庫，Mahout 可以有效地擴展到雲端。
該老師講課風格:
#教師講課深入淺出，條理清楚，層層剖析，環環相扣，論證嚴密，結構嚴謹，用思考的邏輯力量吸引學生的注意力，用理智控制課堂教學進程。學生透過聽教師的講授，不僅學到知識，也受到思維的訓練，還受到教師嚴謹的治學態度的熏陶和感染
本視頻中較為難點是邏輯回歸分類器_貝葉斯分類器_1了：
1.背景
首先，在文章的開頭，先提出幾個問題，如果這些問題你都答得上來，那麼本文你就無需閱讀了，或者你閱讀的動機純粹是給本文挑毛病，當然我也無比歡迎，請發送郵件“毛病の樸素貝葉斯”發送至297314262 @qq.com，我會認真閱讀你的來信。
By the way，如果閱讀完本文，你還是無法回答以下問題，那麼也請你電子郵件通知我，我會盡量解答你的疑惑。
樸素貝葉斯分類器中的「樸素」特別指此分類器的什麼特性
樸素貝葉斯分類器與極大似然估計（MLE）、最大後驗機率（MAP）的關係
樸素貝葉斯分類、邏輯迴歸分類，產生模型、判決模型的關係
有監督學習和貝葉斯估計的關係
2.約定
那麼，本文開始。首先，關於本文可能出現的各種表達形式，在此做一番約定
大寫字母，如X，表示隨機變量；如果X是多維變量，那麼下標i表示第i維變量，即Xi
小寫字母，如Xij，表示變數的一種取值（Xi的第j種取值）
3.貝葉斯估計與有監督學習
好的，那麼先回答第4個問題，如何用貝葉斯估計解決有監督學習問題？
對於有監督學習，我們的目標實際上是估計一個目標函數f : X->Y，,或目標分佈P(Y|X)，其中X是樣本的各個feature組成的多維變量，Y是樣本的實際分類結果。假設樣本X的取值為xk，那麼，根據貝葉斯定理，分類結果為yi的機率應該是：
因此，要估計P(Y=yi |X=xk)，只要根據樣本，求P(X=xk|Y=yi)的所有估計，以及P(Y=yi)的所有估計，就可以了。此後的分類過程，就是求另P(Y=yi|X=xk)最大的那個yi就可以了。那麼由此可見，利用貝葉斯估計，可以解決監督學習的問題。
4.分類器的「樸素」特性
接下來，回答第1個問題，何為「樸素」？
從第3節的分析裡，我們知道，要求得到P(Y=yi|X=xk)，就需要知道P(X=xk|Y=yi)的所有估計，以及P( Y=yi)的所有估計，那麼假設X為N維變量，其每一維變量都有兩種取值（如文本分類中常見的各個term出現與否對應的取值0/1），而Y也有兩種類別，那麼就需要求出2*(2^N - 1)個估計值（注意，由於在給定Y為某一類別的情況下，X的各個取值的機率和為1，所以實際需要估計的值為2^N - 1）。可以想像，對於N很大的情況（文字分類時，term的可能取值是非常大的），這一估計的計算量是巨大的。那麼如何減少需要估計的量，而使得貝葉斯估計方法具有可行性呢？這裡，就引入一個假設：
假設：在給定Y=yi的條件下，X的各維變數彼此互相獨立。
那麼，在這假設的條件下，P(X=xk|Y=yi)=P(X1=x1j1|Y=yi)P(X2=x2j2|Y=yi)... P(Xn=xnjn|Y=yi)，也就是說，此時只需要求出N個估計就可以了。因此，這個假設將貝葉斯估計的計算量從2*(2^N - 1)降為了N，使此分類器具有了實際可行性。那麼這個假設就成為樸素特性。
5.極大似然估計和最大後驗機率解
接下來，回答第2個問題，首選我們將極大似然估計法應用於樸素貝葉斯分類器的求解過程。
上面說了，P(X=xk|Y=yi)的求解，可以轉換成對P(X1=x1j1|Y=yi)、P(X2=x2j2|Y=yi)、... P (Xn=xnjn|Y=yi)的求解，那麼如何用極大似然估計法來求這些值呢？
首選我們需要理解什麼是極大似然估計，實際上，在我們的概率論課本里，關於極大似然估計的講解，都是在解決無監督學習問題，而看完本節內容後，你應該明白，在樸素特性下，用極大似然估計解決有監督學習問題，實際上就是在各個類別的條件下，用極大似然估計解決無監督學習問題。
以上是Mahout影片教學的資源推薦的詳細內容。更多資訊請關注PHP中文網其他相關文章！
