• 컴퓨터/IT > 컴퓨터공학 > 전산수학/SPSS/MATLAB

2016/4 컴퓨터/IT 58위 | 현재 컴퓨터/IT 69위 |

출판사 리뷰

출판사 서평 ★ 이 책에서 다루는 내용 ★ ■ 스칼라, 자바, 파이썬을 이용한 독자의 첫 번째 스파크 프로그램 개발 ■ 독자의 컴퓨터에서뿐만 아니라 아마존 EC2에서 스파크를 이용한 개발환경 설치와 설정 ■ 공개된 머신 러닝 데이터 집합 접근과 스파크를 이용한 데이터 로드, 처리, 클린, 변환 ■ 협력 필터, 분류, 회귀, 클러스터링, 차원 축소 등의 잘 알려진 머신 러닝 모델을 활용해서 프로그램을 구현할 때 스파크 머신 러닝 라이브러리 사용 ■ 머신 러닝 모델의 성능을 평가할 수 있는 스파크 메소드 개발 ■ 특징 추출과 머신 러... ★ 이 책에서 다루는 내용 ★ ■ 스칼라, 자바, 파이썬을 이용한 독자의 첫 번째 스파크 프로그램 개발 ■ 독자의 컴퓨터에서뿐만 아니라 아마존 EC2에서 스파크를 이용한 개발환경 설치와 설정 ■ 공개된 머신 러닝 데이터 집합 접근과 스파크를 이용한 데이터 로드, 처리, 클린, 변환 ■ 협력 필터, 분류, 회귀, 클러스터링, 차원 축소 등의 잘 알려진 머신 러닝 모델을 활용해서 프로그램을 구현할 때 스파크 머신 러닝 라이브러리 사용 ■ 머신 러닝 모델의 성능을 평가할 수 있는 스파크 메소드 개발 ■ 특징 추출과 머신 러닝 모델에 입력할 텍스트 데이터를 이용한 대규모의 텍스트 데이터 처리 ■ 온라인 머신 러닝 메소드 분석과 온라인 러닝과 모델을 평가할 때 스파크 스트림 사용 ★ 이 책의 대상 독자 ★ 머신 러닝과 데이터 분석 분야에 관심이 있는 스칼라, 자바, 파이썬 개발자이면서 스파크 프레임워크를 이용해서 보편적인 머신 러닝 기술을 확장성 측면에서 어떻게 적용해야 할지 열망한다면 이 책은 당신을 위한 것이다. 스파크의 기본 지식이 있는 독자라면 책을 이해할 때 도움이 되겠지만 사전 지식이 꼭 필요한 것은 아니다. ★ 이 책의 구성 ★ 1장, '스파크의 시작과 구동'에서는 스파크 프레임워크를 설치하는 방법과 로컬 개발환경 구축 방법뿐 아니라 아마존 EC2를 이용한 클라우드 스파크 클러스터 생성 방법까지 설명한다. 스파크 프로그래밍 모델과 API를 소개할 뿐 아니라 스칼라, 자바, 파이썬 API를 이용해서 간단한 스파크 애플리케이션을 작성한다. 2장, '머신 러닝 시스템 설계'에서는 머신 러닝 시스템을 활용한 실세계 유스케이스(use case)의 예를 다룬다. 여기서 설명한 유스케이스를 바탕으로 스파크 지능 시스템용 상위 레벨 아키텍처를 설계한다. 3장, '스파크를 이용한 데이터 수집, 프로세싱, 준비'에서는 머신 러닝 시스템에서 실사용하기 위한 데이터 수집 방법을 자세하게 설명하는데, 특히 무료로 오픈된 다양한 가용 데이터 수집 방법을 다룬다. 가공하지 않은 데이터를 적절한 도구, 라이브러리, 스파크 기능을 이용해 머신 러닝 모델에 적용할 수 있는 특징으로 처리하거나, 초기화 또는 변환하는 방법을 배운다. 4장, '스파크를 이용한 추천 엔진 구현'에서는 협업 필터링 방식을 바탕으로 추천 모델을 개발하는 방법을 다룬다. 이 모델을 이용해서 사용자에게 아이템을 추천하거나 검색하는 아이템과 유사한 다른 아이템 목록을 생성한다. 추천 모델의 성능을 평가하는 표준 메트릭스(metrics)도 다룬다. 5장, '스파크를 이용한 분류 모델 구현'에서는 이항 분류를 위한 모델을 생성하는 방법뿐 아니라 분류 태스크를 위한 표준 성능 평가 메트릭스를 사용하는 방법까지 자세하게 설명한다. 6장, '스파크를 이용한 회귀 모델 구현'에서는 5장에서 생성한 분류 모델을 확장하는 개념으로, 회귀 모델의 생성 방법을 설명한다. 회귀 모델의 성능 평가 메트릭스도 자세히 설명한다. 7장, '스파크를 이용한 클러스터 구축 모델 구현'에서는 클러스터링 모델 생성 방법뿐 아니라 클러스터 연관 평가 방법을 사용하는 방법까지 설명한다. 독자는 7장에서 생성된 모든 클러스터에서 발생된 데이터를 분석하고 가시화하는 방법을 배울 수 있다. 8장, '스파크를 이용한 차원 축소'에서는 데이터에서 기본 구조를 추출하고 데이터 구조의 차원을 줄일 수 있는 방법을 살펴본다. 범용적인 일부 차원 축소 기술을 배우며, 그 기술의 적용과 분석 방법뿐 아니라 결과 데이터 모델을 입력으로 다른 머신 러닝 모델에 활용하는 방법까지 배운다. 9장, '스파크를 이용한 고급 텍스트 프로세싱'에서는 텍스트에서 특징 추출을 위한 기술을 비롯한 대규모 텍스트 데이터를 처리하는 방법을 소개하고, 텍스트 데이터에서 높은 차원의 특징을 다룬다. 10장, '스파크 스트리밍을 이용한 실시간 머신 러닝'에서는 스파크 스트리밍의 개요와 온라인에서 스파크 스트리밍이 어떻게 조절되는지, 데이터 스트리밍에 머신 러닝을 적용할 수 있는 점진적 학습 방법을 설명한다. ★ 지은이의 말 ★ 최근 수집과 저장, 그리고 분석되는 데이터의 규모는 폭발적으로 증가했는데, 특히 웹과 모바일 단말을 사용할 때 발생하는 것뿐 아니라 센서 네트워크를 통해 물리적인 데이터와 연관해서 늘어나고 있다. 과거 대규모 데이터 스토리지, 프로세싱, 분석, 모델링은 구글, 야후, 페이스북, 트위터 등 공룡 기업의 영역이었으나 점차 많은 기업이 방대한 양의 데이터를 어떻게 처리해야 할지 도전에 직면하고 있다. 이와 같은 데이터 양과 실시간으로 이 데이터를 활용해야 하는 공통 요구 사항에 직면하고 있으나 인력으로 움직이는 시스템은 빠르게 쇠퇴하고 있다. 이런 현상은 빅데이터와 자동화된 의사결정을 만들기 위해 데이터를 이용해서 학습하는 머신 러닝의 태동을 불러왔다. 막대한 비용을 들이지 않고 대규모의 데이터를 다뤄야 하는 과제에 대한 해법이 컴퓨터 클러스터에 데이터 스토리지와 컴퓨팅 파워를 분산시켜 방대한 데이터를 좀 더 쉽게 처리하는 작업에 주력하는 구글, 야후, 아마존, 페이스북 같은 회사에서 속속 개발되고 있었다. 이런 기술 중에서 가장 많이 확산된 기술인 아파치 하둡을 통해 정말 쉽고 저렴하게 많은 데이터를 저장(하둡 분산 파일 시스템을 사용)하고, 저장된 데이터를 연산(컴퓨터 클러스터에 할당된 많은 노드에서 병렬로 연산 작업을 실행할 수 있는 프레임워크인 하둡 맵리듀스를 사용)할 수 있게 됐다. 그러나 맵리듀스는 각 잡을 실행하고 중간 데이터와 연산 결과를 디스크에 저장해야 하는 높은 오버헤드를 비롯한 일부 결정적인 단점이 있기 때문에 하둡은 반복이나 낮은 지연 시간을 포함하는 유스케이스에 상대적으로 부적합하다. 아파치 스파크는 분산 컴퓨팅을 위한 새로운 프레임워크이며, 제로 기반에서 설계해서 낮은 지연 시간 태스크를 위해 최적화돼 있고, 중간 데이터와 결과를 메모리에 저장할 수 있기 때문에 하둡 프레임워크의 주요 단점의 일부를 해결했다. 스파크는 애플리케이션을 작성할 수 있는 깔끔하고 기능적이며, 이해하기 쉬운 API를 제공하는 동시에 하둡 생태계와 완벽하게 호환된다. 게다가 스파크는 네이티브 API를 스칼라, 자바, 파이썬으로 제공한다. 스칼라 API와 파이썬 API를 이용하면 실시간과 의사소통할 수 있는 검색에 쓰이는 해당 인터프리터 사용을 비롯한 스파크 애플리케이션을 직접 개발할 때 API를 작성한 각 언어의 모든 장점을 사용할 수 있다. 현재 스파크 번들에 분산 머신 러닝과 데이터 마이닝 모델을 활용할 수 있는 툴킷이 포함돼 있는데, 이 툴킷은 한창 개발 중이며 많은 범용 머신 러닝 태스크를 위한 높은 성능을 발휘하고 확장할 수 있으며, 효과적인 알고리즘을 이미 포함하고 있고 툴킷의 기능 일부를 이 책에서 집중적으로 설명한다. 머신 러닝 기술을 방대한 데이터 집합에 적용하는 작업은 상당한 어려움이 있는데, 특히 대부분 잘 알려진 머신 러닝 알고리즘은 병렬 아키텍처를 고려하지 않고 있다. 많은 경우 머신 러닝 알고리즘을 설계하는 일은 쉽지 않은 작업이다. 머신 러닝 모델의 태생은 일반적으로 반복인데, 스파크는 바로 이런 유스케이스에 강하다. 병렬 컴퓨팅을 위해 많은 프레임워크가 경쟁 중인 가운데 스파크는 속도, 확정성, 인메모리 프로세싱, 그리고 쉽게 프로그래밍할 수 있는 시스템 실패 허용 한계(fault tolerance), 유연하면서 명시적이고 또한 강력한 API 설계를 모두 조합한 몇 안 되는 프레임워크 중 하나다. 이 책은 전반적으로 머신

★ 지은이의 말 ★

최근 수집과 저장, 그리고 분석되는 데이터의 규모는 폭발적으로 증가했는데, 특히 웹과 모바일 단말을 사용할 때 발생하는 것뿐 아니라 센서 네트워크를 통해 물리적인 데이터와 연관해서 늘어나고 있다. 과거 대규모 데이터 스토리지, 프로세싱, 분석, 모델링은 구글, 야후, 페이스북, 트위터 등 공룡 기업의 영역이었으나 점차 많은 기업이 방대한 양의 데이터를 어떻게 처리해야 할지 도전에 직면하고 있다.

이와 같은 데이터 양과 실시간으로 이 데이터를 활용해야 하는 공통 요구 사항에 직면하고 있으나 인력으로 움직이는 시스템은 빠르게 쇠퇴하고 있다. 이런 현상은 빅데이터와 자동화된 의사결정을 만들기 위해 데이터를 이용해서 학습하는 머신 러닝의 태동을 불러왔다.

막대한 비용을 들이지 않고 대규모의 데이터를 다뤄야 하는 과제에 대한 해법이 컴퓨터 클러스터에 데이터 스토리지와 컴퓨팅 파워를 분산시켜 방대한 데이터를 좀 더 쉽게 처리하는 작업에 주력하는 구글, 야후, 아마존, 페이스북 같은 회사에서 속속 개발되고 있었다.

이런 기술 중에서 가장 많이 확산된 기술인 아파치 하둡을 통해 정말 쉽고 저렴하게 많은 데이터를 저장(하둡 분산 파일 시스템을 사용)하고, 저장된 데이터를 연산(컴퓨터 클러스터에 할당된 많은 노드에서 병렬로 연산 작업을 실행할 수 있는 프레임워크인 하둡 맵리듀스를 사용)할 수 있게 됐다.

그러나 맵리듀스는 각 잡을 실행하고 중간 데이터와 연산 결과를 디스크에 저장해야 하는 높은 오버헤드를 비롯한 일부 결정적인 단점이 있기 때문에 하둡은 반복이나 낮은 지연 시간을 포함하는 유스케이스에 상대적으로 부적합하다. 아파치 스파크는 분산 컴퓨팅을 위한 새로운 프레임워크이며, 제로 기반에서 설계해서 낮은 지연 시간 태스크를 위해 최적화돼 있고, 중간 데이터와 결과를 메모리에 저장할 수 있기 때문에 하둡 프레임워크의 주요 단점의 일부를 해결했다. 스파크는 애플리케이션을 작성할 수 있는 깔끔하고 기능적이며, 이해하기 쉬운 API를 제공하는 동시에 하둡 생태계와 완벽하게 호환된다.

게다가 스파크는 네이티브 API를 스칼라, 자바, 파이썬으로 제공한다. 스칼라 API와 파이썬 API를 이용하면 실시간과 의사소통할 수 있는 검색에 쓰이는 해당 인터프리터 사용을 비롯한 스파크 애플리케이션을 직접 개발할 때 API를 작성한 각 언어의 모든 장점을 사용할 수 있다. 현재 스파크 번들에 분산 머신 러닝과 데이터 마이닝 모델을 활용할 수 있는 툴킷이 포함돼 있는데, 이 툴킷은 한창 개발 중이며 많은 범용 머신 러닝 태스크를 위한 높은 성능을 발휘하고 확장할 수 있으며, 효과적인 알고리즘을 이미 포함하고 있고 툴킷의 기능 일부를 이 책에서 집중적으로 설명한다.

머신 러닝 기술을 방대한 데이터 집합에 적용하는 작업은 상당한 어려움이 있는데, 특히 대부분 잘 알려진 머신 러닝 알고리즘은 병렬 아키텍처를 고려하지 않고 있다. 많은 경우 머신 러닝 알고리즘을 설계하는 일은 쉽지 않은 작업이다. 머신 러닝 모델의 태생은 일반적으로 반복인데, 스파크는 바로 이런 유스케이스에 강하다. 병렬 컴퓨팅을 위해 많은 프레임워크가 경쟁 중인 가운데 스파크는 속도, 확정성, 인메모리 프로세싱, 그리고 쉽게 프로그래밍할 수 있는 시스템 실패 허용 한계(fault tolerance), 유연하면서 명시적이고 또한 강력한 API 설계를 모두 조합한 몇 안 되는 프레임워크 중 하나다.

이 책은 전반적으로 머신 러닝 기술을 이용해서 실생활에서 사용하는 애플리케이션 개발에 중점을 둘 것이다. 머신 러닝 알고리즘의 이론적인 측면을 일부 간략하게 설명할 수 있지만, 유용한 머신 러닝 시스템을 만들기 위해 이 책은 스파크와 MLlib의 모든 기능을 효과적으로 사용할 수 있는 방법을 설명하는데, 이때 예제와 코드를 사용할 뿐 아니라 머신 러닝과 데이터 분석을 위해 공개적으로 잘 알려져 있고 무료로 사용할 수 있는 패키지를 이용해서 주로 현실적이면서 적용 가능한 방법을 다룬다.

★ 옮긴이의 말 ★

빅데이터라는 화두는 예전부터 개발자들 사이에서 많은 관심을 끌어 왔다. 빅데이터를 처리할 때 개발자들은 하둡을 많이 떠올렸으나 RDD 데이터 처리, 인메모리 처리, 일괄 처리와 더불어 포괄적 분석을 처리할 때 이제는 스파크를 떠올릴 것이다. 하둡과 비교해서 대략 100배 이상 속도가 빠르다는 점도 스파크의 확산에 도움이 되고 있다.

이 책의 장점은 무엇보다 스파크가 제공하는 라이브러리인 MLlib를 이용해서 적용할 수 있는 모델을 이론적으로 자세히 설명하면서도, 구현에 필요한 내용을 직접 코드로 설명한다는 점이다. 또한 로컬 모드와 클러스터 모드에서 스파크가 목표 애플리케이션에서 어떻게 동작하는지 상세히 서술하고 있다. 따라서 스파크를 처음 다루는 초보 개발자는 코드를 보고 따라 하면서 자신만의 빅데이터 분석 애플리케이션의 첫발을 내딛을 수 있는 반면, 중급 이상의 개발자는 상용 프로젝트를 진행할 때 하나의 레퍼런스로 삼을 수 있을 것이다.

목차
1 스파크의 시작과 구동
로컬 모드로 스파크 설치와 환경 설정
스파크 클러스터
스파크 프로그래밍 모델
__SparkContext와 SparkConf
__스파크 셸
__복구할 수 있는 분산 데이터 집합
____RDD 생성
____스파크 오퍼레이션
____RDD 캐싱
__브로드캐스트 변수와 누산기
스칼라를 이용한 스파크 프로그램의 첫 단계
자바로 개발하는 스파크 프로그램의 첫 단계
파이썬으로 스파크 프로그램 작성하는 첫 단계
아마존 EC2에서 스파크 구동
__EC2 스파크 클러스터 실행
정리
2 머신 러닝 시스템
무비스트림 소개
머신 러닝 시스템을 위한 비즈니스 유스케이스
__개인화
__타겟 마케팅과 사용자 분류
__예측 모델링과 해석학
머신 러닝 모델의 타입
데이터 기반의 머신 러닝 시스템 컴포넌트
__데이터 획득과 저장
__데이터 클렌싱과 변환
__모델 학습과 테스트 루프
__모델 적용과 정합
__모델 모니터링과 피드백
__배치 프로세스와 실시간 프로세스
머신 러닝 시스템의 아키텍처
__실습
정리
3 스파크를 이용한 데이터 수집, 프로세싱, 준비
공개적으로 가용한 데이터 집합 접근
__무비렌즈 100킬로바이트 데이터 집합
데이터 탐색과 가시화
__사용자 데이터 집합 탐색
__영화 데이터 집합 탐색
__평점 데이터 집합 탐색
데이터 처리와 변환
__부적절하거나 소실된 데이터로 채우기
데이터에서 유용한 특징 추출
__숫자 특징
__카테고리 특징
__파생 특징
____타임스탬프를 카테고리 특징으로 변환
__텍스트 특징
____단순 텍스트 특징 추출
__특징 정규화
____특징 정규화를 위한 MLlib 라이브러리 사용
__특징 추출을 위한 패키지 사용
정리
4 스파크를 이용한 추천 엔진 구현
추천 모델의 타입
__콘텐트 기반의 필터링
__공동 필터링
____행렬 인수분해
목표 데이터에서 적절한 특징 추출
__무비렌즈 100k 데이터 집합에서 특징 추출
추천 모델 트레이닝
__무비렌즈 100k 데이터 집합으로 모델 트레이닝
____암시적인 피드백 데이터를 이용한 모델 트레이닝
추천 모델 사용
__사용자 추천
____무비렌즈 100k 데이터 집합에서 영화 추천 생성
__제품 추천
____무비렌즈 100k 데이터 집합에서 유사 영화 생성
추천 모델의 성능 평가
__평균 제곱 오차
__K 평균 정확도의 평균
__MLlib 라이브러리의 내장 평가 메소드 사용
____RMSE와 MSE
____맵
정리
5 스파크를 이용한 분류 모델 구현
분류 모델의 타입
__선형 모델
____로지스틱 회귀
____선형 지원 벡터 머신
__나이브 베이즈 모델
__의사결정 트리
데이터 집합에서 적절한 특징 추출
__캐글/스텀블업온 에버그린 분류 데이터 집합에서 특징 추출
분류 모델 트레이닝
__캐글/스텀블업온 지속적인 분류 데이터 집합에 분류 모델을 트레이닝
분류 모델 사용
__캐글/스텀블업온 지속 가능한 분류 데이터 집합을 이용한 예측 생성
분류 모델의 성능 평가
__정확도와 예측 오차
__정확도와 회자
__ROC 곡선과 AUC
모델 성능을 향상하고 매개변수를 튜닝
__특징 표준화
__추가적인 특징
__정확한 형태의 데이터 사용
__모델 매개변수 튜닝
____선형 모델
____의사결정 트리
____나이브 베이즈 모델
__교차 검증
정리
6 스파크를 이용한 회귀 모델 구현
회귀 모델의 타입
__최소 제곱 회귀
__회귀에 대한 의사결정 트리
데이터 집합에서 적절한 특징 추출
__자전거 공유 데이터 집합에서 특징 추출
____선형 모델에 적용할 특징 벡터 생성
____의사결정 트리를 위한 특징 벡터 생성
회귀 모델 트레이닝과 사용
__자전거 공유 데이터 집합을 이용한 회귀 모델 트레이닝
회귀 모델의 성능 평가
__평균 제곱 에러와 루트 평균 제곱 에러
__평균 절댓값 에러
__루트 평균 제곱 로그 에러
__R 제곱 계수 값
__자전거 공유 데이터 집합을 이용한 성능 메트릭스 계산
____선형 모델
____의사결정 트리
모델 성능 향상과 매개변수 튜닝
__타겟 변수를 변환
____로그 변환한 타겟으로 트레이닝할 때의 영향
__모델 매개변수 튜닝
____매개변수를 평가하기 위한 데이터 집합 트레이닝과 테스트 생성
____선형 모델에 적용하는 매개변수 설정의 영향
____의사결정 트리에 매개변수 설정 값을 적용할 때의 영향
정리
7 스파크를 이용한 클러스터 구축 모델 구현
클러스터 모델의 타입
__K 평균 클러스터
____초기화 메소드
____변수
__혼합 모델
__계층적인 클러스터
데이터에서 적절한 특징 추출
__무비렌즈 데이터 집합에서 특징 추출
____영화 장르 레이블 추출
____추천 모델 트레이닝
____정규화
클러스터 모델 트레이닝
__무비렌즈 데이터 집합을 이용해 구성한 클러스터 모델 트레이닝
클러스터 모델을 이용한 예측
__무비렌즈 데이터 집합에 대한 클러스터 예측 해석
____영화 클러스터 해석
클러스터화한 모델의 성능 평가
__내부 평가 메트릭스
__외부 평가 메트릭스
__무비렌즈 데이터 집합에 적용한 메트릭스의 성능 계산
클러스터 모델에 적용하는 매개변수 튜닝
__교차 검증을 통한 K 값 선택
정리
8 스파크를 이용한 차원 축소
차원 축소의 타입
__주요 컴포넌트 분석
__단일 값 분해
__행렬 요소화를 가진 관계
__차원 축소와 같은 클러스터화
분석 데이터의 적절한 특징 추출
__LWF 데이터 집합의 특징 추출
____얼굴 데이터 분석
____얼굴 데이터의 가시화
____벡터 형태로 된 얼굴 이미지 추출
____정규화
차원 축소 모델 트레이닝
__LFW 데이터 집합에 주요 컴포넌트 분석 기법 적용
____아이겐페이스의 가시화
____아이겐페이스 해석
차원 축소 모델 적용
__LWF 데이터 집합에 적용한 주요 컴포넌트 분석을 이용한 데이터 주입
__주요 컴포넌트 분석과 단일 값 분해 간 관계
차원 축소 모델 평가
__LFW 데이터 집합에 단일 값 분해 적용을 위한 k 값 평가
정리
9 스파크를 이용한 고급 텍스트 프로세싱
텍스트 데이터의 중요한 면
데이터 집합에서 올바른 특징 추출
__용어 가중치 스킴
__특징 해싱
__20개 뉴스그룹 데이터 집합에서 TF-IDF 특징 추출
____20개 뉴스그룹 데이터 분석
____기본적인 토큰화 기능 적용
____토큰화 향상
____중지 단어 제거
____빈도수를 바탕으로 단어 제거
____스테밍에 대한 참고
____TF-IDF 모델 트레이닝
____TF-IDF 가중치 분석
TF-IDF 모델 사용
__20개의 뉴스그룹 데이터 집합과 TF-IDF 특징을 이용한 문서 유사성
__TF-IDF를 이용한 20개 뉴스그룹 데이터 집합의 텍스트 분류자 트레이닝
텍스트 프로세싱의 영향 평가
__20개의 뉴스그룹 데이터 집합을 이용해서 원본 특징과 프로세싱된 TF-IDF 특징 비교
Word2Vec 모델
__20개 뉴스그룹 데이터 집합에 Word2Vec 적용
정리
10 스파크 스트리밍을 이용한 실시간 머신 러닝
온라인 러닝
스트림 프로세싱
__스파크 스트리밍에 대한 소개
____입력 소스
____변환
____액션
____윈도우 연산자
__스파크 스트리밍을 이용한 캐싱과 고장 허용
스파크 스트리밍 애플리케이션 개발
__생산자 애플리케이션
__기본적인 스트리밍 애플리케이션 개발
__스트리밍 분석
__스테이트풀 스트리밍
스파크 스트리밍을 이용한 온라인 러닝
__스트리밍 회귀
__간단한 스트리밍 회귀 프로그램
____스트리밍 데이터 생산자 개발
____스트리밍 회귀 모델 생성
__스트리밍 K 평균
온라인 모델 평가
__모델 성능과 스파크 스트리밍 비교
정리