（DL4J）生态系统是一组项目，旨在满足基于JVM的深度学习应用程序的所有需求。 这意味着从原始数据开始，从任何位置以任何格式加载和预处理原始数据，以构建和调整各种简单和复杂的深度学习网络。 由于Deeplearning4J在JVM上运行，因此您可以将其与Java以外的各种基于JVM的语言一起使用，例如Scala，Kotlin，Clojure等。 DL4J堆栈包括： DL4J ：高级API，用于构建具有各种层（包括自定义层）的MultiLayerNetworks和ComputationGraphs。 支持从h5导入Keras模型，包括tf.keras模型（从1.0.0-beta7开始），还支持在Apache Spark上进行分布式培训 ND4J ：通用线性代数库，具有500多种数学，线性代数和深度学习运算。 ND4J基于高度优化的C ++代码库LibND4J，它通过OpenBLAS，OneDNN（MKL-DNN），cuDNN，cuBLAS等库提供对CPU（AVX2 / 512）和GPU（CUDA）的支持和加速。 SameDiff ：ND4J库的一部分，SameDiff是我们的自

浪潮内部的大数据技术培训PPT,涵盖了hadoop和spark技术体系。

Databricks推荐的Spark GraphX库的入门学习资料。原书共7章，这里翻译了前4章。后面几章有时间的话可能会继续，可以关注我的blog了解进度，但不保证哈~。昨晚上传了一版后发现保存后的目录乱的很，这是修改过的，重新上传。

（最终版）大数据Hadoop与Spark学习经验谈.pdf

本文首先对决策树算法的原理进行分析并指出其存在的问题，进而介绍随机森林算法。同单机环境下的随机森林构造不同的是，分布式环境下的决策树构建如果不进行优化的话，会带来大量的网络IO操作，算法效率将非常低，为此本文给出了随机森林在分布式环境下的具体优化策略，然后对其源码进行分析，最后通过案例介绍随机森林在金融领域内如何进行优质客户的分类。Spark内存计算框架在大数据处理领域内占有举足轻重的地位，2014年Spark风靡IT界，Twitter数据显示Spark已经超越Hadoop、Yarn等技术，成为大数据处理领域中最热门的技术，如图1所示。2015年6月17日，IBM宣布它的“百万数据工程师计划”

Apache Spark Kinesis使用者 使用Apache Spark使用AWS Kinesis流化并将数据保存在Amazon Redshift上的示例项目 来自以下内容的代码： 用法示例 您需要在您的环境上设置Amazon Credentials。 export AWS_ACCESS_KEY_ID= " " export AWS_ACCESS_KEY= " " export AWS_SECRET_ACCESS_KEY= " " export AWS_SECRET_KEY= " " 依存关系 必须包含在--packages标志中。 org.apache.spark:spark-streaming-kinesis-asl_2.10:1.6.1 设置 如何在本地运行Kinesis？ 几个月前，我使用Kinesalite（amazin项目来模拟Amazon Kinesis）创建了

大数据spark,大数据大数据大数据大数据大数据大数据大数据大数据大数据

适合大数据spark初学者

使用spark sql模拟带倒排索引的简单搜索引擎演示： :

分析Zenvisage在时序大数据的应用场景下存储和查询性能下降的问题，找到传统关系型数据库在时序大数据分析中的瓶颈