[套装书]跟老男孩学Linux运维：高性能Web集群实践（上）+R语言机器学习（原书第2版）（2册）

作者
老男孩[印度] 卡西克·拉玛苏布兰马尼安（Karthik Ramasubramanian）[印度] 阿布舍克·辛格（Abhishek Singh）
丛书名
Linux/Unix技术丛书
出版社
机械工业出版社
ISBN
9782001061628
简要
简介
内容简介书籍计算机书籍 ---------------------------跟老男孩学Linux运维：高性能Web集群实践（上）--------------------------- 全书共分为12个章节（0-11章）第0章，讲解CentOS7.6操作系统的安装。第1章，主要讲解Web集群架构基础概念知识、架构模型、架构搭建规划、架构优化等。第2章，主要的数据备份工具。第3章，讲解NFS网络文件共享服务。第4章，讲解网站数据实时复制应用与实践。第5章，主要讲解SSHD远程连接工具企业应用实践。第6章，主要讲解Ansiable批量管理工具应用与实践。第7章，主要讲解HTTP及Web服务核心基础知识。第8章，主要讲解Nginx静态Web服务应用实践。第9章，主要讲解企业级LNMP环境部署实践。第10章，主要讲解Nginx反向代理与动静分离架构实战。第11章，主要讲解Keepalived高可用集群实战。 ---------------------------R语言机器学习（原书第2版）--------------------------- 本书是介绍机器学习技术的综合指南，从基础的统计学原理和R语言编程知识，到核心的机器学习理论和算法分析，以及机器学习模型的评估和改进方法，再到机器学习技术在大数据平台上的应用，书中都有详细介绍。
目录



---------------------------跟老男孩学Linux运维：高性能Web集群实践（上）---------------------------


前言
第1章　企业级CentOS7.6操作系统安装 / 1
1.1　下载CentOS系统ISO镜像 / 1
1.2　CentOS7.6操作系统的安装准备 / 4
1.3　开始安装CentOS7.6操作系统 / 5
1.4　系统安装后的基本配置 / 21
1.5　本章相关问题 / 32
第2章　中小规模Web集群规划与环境准备 / 33
2.1　网站集群架构介绍 / 33
2.2　网站集群架构组成 / 34
2.3　网站集群架构搭建规划 / 40
2.4　网站集群架构系统优化 / 42
第3章　Rsync数据复制软件应用实践 / 51
3.1　Rsync介绍 / 51
3.2　Rsync工作方式介绍与实践 / 53
3.3　Rsync功能应用拓展 / 67
3.4　Rsync企业级应用经验 / 74
3.5　Rsync服务安全 / 77
3.6　Rsync企业常用工作场景 / 78
3.7　Rsync企业级全网备份项目案例介绍与实践 / 80
3.8　Rsync相关参考资料 / 87
3.9　中小规模集群架构实战进度（备份服务器搭建，红旗1） / 87
第4章　企业级NFS网络文件共享服务 / 89
4.1　NFS介绍 / 89
4.2　NFS系统原理介绍 / 93
4.3　NFS服务端部署环境准备 / 97
4.4　NFS服务器端的安装启动 / 97
4.5　实战配置NFS服务器端 / 101
4.6　NFS配置文件权限参数 / 103
4.7　NFS服务配置企业案例实践 / 104
4.8　NFS服务的重点知识梳理 / 109
4.9　NFS客户端挂载排错思路 / 109
4.10　NFS客户端挂载深入讲解 / 110
4.11　NFS系统应用的优缺点说明 / 118
4.12　从集群架构上解决NFS性能压力方案 / 119
4.13　生产环境高级案例中的配置实战 / 119
4.14　本章涉及的相关命令知识 / 121
4.15　NFS服务器端的防火墙控制 / 123
4.16　NFS服务应用中的常见故障排查 / 123
4.17　NFS客户端自动挂载部署方法 / 124
4.18　本章重点与面试题 / 127
4.19　参考资料 / 127
4.20　中小规模集群架构实战进度（NFS存储项目实战，红旗2） / 128
第5章　企业级实时复制应用实践 / 129
5.1　实时复制服务介绍 / 129
5.2　实时复制Inotify机制介绍 / 131
5.3　Sersync实时复制工具介绍 / 141
5.4　大型企业级高并发文件实时复制方案 / 150
5.5　企业级解决NFS存储实时复制案例 / 150
5.6　中小规模集群架构的静态读写弃用NFS存储部署的说明 / 151
5.7　其他网站后端存储解决方案 / 152
5.8　中小规模集群架构实战进度（NFS实时复制，红旗3） / 152
第6章　SSHD远程连接服务的企业应用实践 / 154
6.1　SSH服务介绍 / 154
6.2　SSH服务工具详解 / 158
6.3　SSH服务操作说明 / 164
6.4　SSH服务安全配置 / 167
6.5　SSH远程连接说明 / 168
6.6　SSH服务远程命令 / 169
6.7　企业级SSHD免密码批量管理的企业项目案例 / 173
6.8　本章重点知识小结 / 179
6.9　中小规模集群架构实战进度（SSH批量管理项目实战，红旗4） / 179
第7章　Ansible自动化运维批量管理实践 / 181
7.1　自动化运维发展史 / 181
7.2　Ansible软件介绍 / 183
7.3　Ansible软件实践部署 / 185
7.4　Ansible批量管理方式 / 187
7.5　Ansible软件基础配置 / 191
7.6　Ansible批量管理模式和命令介绍 / 192
7.7　Ansible模块详解 / 194
7.8　Ansible软件的帮助信息 / 214
7.9　Ansible最核心的组件playbook / 215
7.10　中小规模集群架构实战进度（Ansible批量管理项目实战） / 232
第8章　HTTP及Web服务核心基础 / 234
8.1　HTTP服务的重要基础 / 234
8.2　HTTP协议 / 239
8.3　HTTP资源 / 248
8.4　网站流量度量术语 / 254
8.5　WWW服务软件介绍 / 260
8.6　本章重点回顾 / 264
8.7　本章相关面试题 / 264
8.8　本章参考资料 / 264
第9章　Nginx静态Web服务应用实践 / 266
9.1　Nginx介绍 / 266
9.2　Nginx Web服务 / 269
9.3　开始安装Nginx / 272
9.4　Nginx技术深入剖析 / 281
9.5　Nginx虚拟主机配置实战 / 286
9.6　Nginx常用功能配置实战 / 300
9.7　Nginx访问日志（access_log） / 310
9.8　Nginx Location / 316
9.9　Nginx Rewrite / 320
9.10　Nginx访问认证 / 325
9.11　本章重点回顾 / 327
9.12　Nginx相关问题的解答 / 328
9.13　yum安装Nginx完整步骤 / 330
9.14　中小规模集群架构实战进度（静态Nginx服务器，红旗5） / 331
第10章　企业级LNMP环境部署实践 / 333
10.1　LNMP应用环境 / 333
10.2　LNMP之MySQL数据库 / 334
10.3　FastCGI介绍 / 342
10.4　LNMP之PHP（FastCGI）服务安装准备 / 344
10.5　开始安装PHP（FastCGI方式）服务 / 347
10.6　配置Nginx以支持PHP程序请求访问 / 351
10.7　部署一个Blog程序服务 / 354
10.8　有关使用低版本PHP的说明 / 363
10.9　php.ini配置文件的重要参数优化 / 364
10.10　本章重点回顾 / 364
10.11　本章参考资料 / 365
10.12　中小规模集群架构下调整数据库分离出LNMP / 365
10.13　中小规模集群架构下调整Web静态数据以迁移到NFS共享存储中 / 367
10.14　中小规模集群架构实战进度（LNMP服务项目，红旗6～8） / 368
第11章　Nginx反向代理与动静分离集群架构应用实践 / 370
11.1　集群简介 / 370
11.2　为什么要使用集群 / 372
11.3　集群的分类 / 373
11.4　常用的集群软硬件介绍及选型 / 376
11.5　Nginx负载均衡集群介绍 / 377
11.6　快速实践Nginx负载均衡的环境准备 / 378
11.7　Nginx负载均衡核心组件介绍 / 384
11.8　Nginx负载均衡配置实战 / 391
11.9　Nginx负载均衡监测节点状态 / 410
11.10　proxy_next_upstream参数补充 / 413
11.11　本章重点回顾 / 413
11.12　中小规模集群架构实战进度（Nginx反向代理，红旗9） / 413
第12章　Keepalived高可用集群应用实践 / 415
12.1　Keepalived高可用软件 / 415
12.2　Keepalived高可用服务搭建准备 / 418
12.3　Keepalived高可用服务单实例实战 / 422
12.4　Keepalived高可用服务器对的“裂脑”问题 / 426
12.5　Keepalived双实例双主模式配置实战 / 428
12.6　Nginx负载均衡配合Keepalived服务的案例实战 / 433
12.7　解决服务监听的网卡上不存在IP地址的问题 / 436
12.8　解决高可用服务只是针对物理服务器的问题 / 437
12.9　解决多组Keepalived服务器在一个局域网内冲突的问题 / 440
12.10　配置指定文件接收Keepalived服务日志 / 441
12.11　开发监测Keepalived“裂脑”的脚本 / 442
12.12　本章重点回顾 / 443
12.13　中小规模集群架构实战进度（Keepalived高可用，红旗10） / 444



---------------------------R语言机器学习（原书第2版）---------------------------


译者序
前言
第1章　机器学习和R语言入门1
1.1　了解发展历程1
1.1.1　统计学习2
1.1.2　机器学习2
1.1.3　人工智能3
1.1.4　数据挖掘3
1.1.5　数据科学4
1.2　概率与统计5
1.2.1　计数和概率的定义5
1.2.2　事件和关系7
1.2.3　随机性、概率和分布9
1.2.4　置信区间和假设检验9
1.3　R语言入门13
1.3.1　基本组成部分13
1.3.2　R语言的数据结构14
1.3.3　子集处理15
1.3.4　函数和Apply系列17
1.4　机器学习过程工作流19
1.4.1　计划20
1.4.2　探索20
1.4.3　构建20
1.4.4　评估20
1.5　其他技术21
1.6　小结21
第2章　数据准备和探索22
2.1　规划数据收集23
2.1.1　变量类型23
2.1.2　数据格式24
2.1.3　数据源的类型29
2.2　初始数据分析30
2.2.1　初步印象30
2.2.2　把多个数据源组织到一起32
2.2.3　整理数据34
2.2.4　补充更多信息37
2.2.5　重塑38
2.3　探索性数据分析38
2.3.1　摘要统计量39
2.3.2　矩42
2.4　案例研究：信用卡欺诈46
2.4.1　数据导入46
2.4.2　数据变换47
2.4.3　数据探索48
2.5　小结50
第3章　抽样与重抽样技术51
3.1　介绍抽样技术51
3.2　抽样的术语52
3.2.1　样本52
3.2.2　抽样分布52
3.2.3　总群体的均值和方差53
3.2.4　样本均值和方差53
3.2.5　汇总的均值和方差53
3.2.6　抽样点53
3.2.7　抽样误差54
3.2.8　抽样率54
3.2.9　抽样偏误54
3.2.10　无放回的抽样54
3.2.11　有放回的抽样55
3.3　信用卡欺诈：总群体的统计量55
3.3.1　数据描述55
3.3.2　总群体的均值56
3.3.3　总群体的方差56
3.3.4　汇总的均值和方差56
3.4　抽样在业务上的意义59
3.5　概率和非概率抽样60
3.6　关于抽样分布的统计理论61
3.6.1　大数定律62
3.6.2　中心极限定理64
3.7　概率抽样技术67
3.7.1　总群体的统计量67
3.7.2　简单随机抽样70
3.7.3　系统性随机抽样75
3.7.4　分层随机抽样78
3.7.5　聚类抽样83
3.7.6　自助抽样88
3.8　蒙特卡罗方法：接受-拒绝93
3.9　小结95
第4章　R语言里的数据可视化96
4.1　ggplot2组件包简介97
4.2　世界经济发展指标97
4.3　折线图97
4.4　堆叠柱状图102
4.5　散点图106
4.6　箱形图107
4.7　直方图和密度图109
4.8　饼图113
4.9　相关图114
4.10　热点图116
4.11　气泡图117
4.12　瀑布图120
4.13　系统树图122
4.14　关键字云124
4.15　桑基图126
4.16　时间序列图127
4.17　队列图129
4.18　空间图130
4.19　小结133
第5章　特征工程135
5.1　特征工程简介135
5.2　了解工作数据136
5.2.1　数据摘要137
5.2.2　因变量的属性137
5.2.3　特征的可用性：连续型或
分类型140
5.2.4　设置数据的假设141
5.3　特征排名141
5.4　变量子集的选择144
5.4.1　过滤器方法145
5.4.2　包装器方法148
5.4.3　嵌入式方法154
5.5　主成分分析158
5.6　小结161
第6章　机器学习理论和实践162
6.1　机器学习的类型163
6.1.1　有监督学习164
6.1.2　无监督学习164
6.1.3　半监督学习165
6.1.4　强化学习165
6.2　机器学习算法的类别165
6.3　实际环境的数据集168
6.3.1　房产售价168
6.3.2　购买偏好169
6.3.3　Twitter订阅和文章169
6.3.4　乳腺癌170
6.3.5　购物篮170
6.3.6　亚马逊美食评论170
6.4　回归分析171
6.5　相关分析172
6.5.1　线性回归174
6.5.2　简单线性回归175
6.5.3　多元线性回归177
6.5.4　模型诊断：线性回归180
6.5.5　多项回归190
6.5.6　逻辑回归193
6.5.7　logit变换194
6.5.8　几率比194
6.5.9　模型诊断：逻辑回归200
6.5.10　多项逻辑回归208
6.5.11　广义线性模型211
6.5.12　结论212
6.6　支持向量机213
6.6.1　线性SVM214
6.6.2　二元SVM分类模型214
6.6.3　多类别SVM216
6.6.4　结论217
6.7　决策树217
6.7.1　决策树的类型218
6.7.2　决策指标219
6.7.3　决策树学习方法221
6.7.4　集成树235
6.7.5　结论241
6.8　朴素贝叶斯方法241
6.8.1　条件概率241
6.8.2　贝叶斯定理241
6.8.3　先验概率242
6.8.4　后验概率242
6.8.5　似然和边际似然242
6.8.6　朴素贝叶斯方法243
6.8.7　结论247
6.9　聚类分析247
6.9.1　聚类方法简介248
6.9.2　聚类算法248
6.9.3　内部评估256
6.9.4　外部评估257
6.9.5　结论259
6.10　关联规则挖掘259
6.10.1　关联概念简介259
6.10.2　规则挖掘算法261
6.10.3　推荐算法267
6.10.4　结论273
6.11　人工神经网络273
6.11.1　人类认知学习273
6.11.2　感知器275
6.11.3　Sigmoid神经元276
6.11.4　神经网络的体系架构277
6.11.5　有监督与无监督的神经网络278
6.11.6　神经网络的学习算法279
6.11.7　前馈反向传播281
6.11.8　结论286
6.12　文本挖掘方法286
6.12.1　文本挖掘简介287
6.12.2　文本摘要288
6.12.3　TF-IDF289
6.12.4　词性标注291
6.12.5　关键字云295
6.12.6　文本分析：Microsoft Cognitive Services295
6.12.7　结论304
6.13　在线机器学习算法304
6.13.1　模糊C均值聚类305
6.13.2　结论308
6.14　构建模型的核对清单308
6.15　小结308
第7章　机器学习模型的评估309
7.1　数据集309
7.1.1　房产售价309
7.1.2　购买偏好311
7.2　模型性能和评估入门312
7.3　模型性能评估的目标313
7.4　总群体的稳定性指数314
7.5　连续型输出的模型评估318
7.5.1　平均绝对误差320
7.5.2　均方根误差321
7.5.3　R2322
7.6　离散型输出的模型评估325
7.6.1　分类矩阵325
7.6.2　灵敏度和特异性329
7.6.3　ROC曲线下的面积330
7.7　概率技术333
7.7.1　K折交叉验证333
7.7.2　自助抽样335
7.8　Kappa误差指标336
7.9　小结339
第8章　模型性能改进340
8.1　Caret组件包概述341
8.2　超参数简介343
8.3　超参数优化345
8.3.1　人工搜索346
8.3.2　人工网格搜索348
8.3.3　自动网格搜索349
8.3.4　最优搜索351
8.3.5　随机搜索353
8.3.6　自定义搜索354
8.4　偏误和方差权衡357
8.5　集成学习简介360
8.5.1　投票集成360
8.5.2　集成学习中的高级方法361
8.6　在R语言里演示集成技术364
8.6.1　装袋树364
8.6.2　决策树的梯度增强366
8.6.3　混合knn和rpart369
8.6.4　利用caretEnsemble进行堆叠370
8.7　高级主题：机器学习模型的贝叶斯优化374
8.8　小结379
第9章　时间序列模型380
9.1　时间序列的组成部分380
9.2　平稳性检验383
9.3　ACF和AR模型386
9.4　PACF和MA模型388
9.5　ARIMA模型391
9.6　具有AR误差的线性回归397
9.7　小结400
第10章　可扩展机器学习和相关技术402
10.1　分布式处理和存储402
10.1.1　GFS403
10.1.2　MapReduce404
10.1.3　R语言里的并行执行404
10.2　Hadoop生态系统407
10.2.1　MapReduce408
10.2.2　Hive411
10.2.3　Apache Pig414
10.2.4　HBase417
10.2.5　Spark418
10.3　在R语言环境下用Spark进行机器学习419
10.3.1　设置环境变量419
10.3.2　初始化Spark会话420
10.3.3　加载数据并运行预处理420
10.3.4　创建SparkDataFrame421
10.3.5　构建机器学习模型421
10.3.6　对测试数据进行预测422
10.3.7　终止SparkR会话423
10.4　在R语言里利用H2O进行机器学习423
10.4.1　安装组件包424
10.4.2　H2O集群的初始化424
10.5　小结425
第11章　用Keras和TensorFlow进行深度学习427
11.1　深度学习简介427
11.2　深度学习架构428
11.2.1　卷积神经网络428
11.2.2　递归神经网络429
11.2.3　生成对抗网络430
11.3　深度学习的工具集431
11.3.1　高级库431
11.3.2　后端引擎或框架431
11.3.3　硬件能力432
11.3.4　编程语言的选择432
11.3.5　云基础架构432
11.4　用例：识别Quora中的重复问题432
11.4.1　环境设置432
11.4.2　数据预处理433
11.4.3　基准模型434
11.4.4　Siamese递归架构435
11.4.5　Keras模型437
11.4.6　模型的摘要437
11.4.7　验证样本438
11.4.8　训练模型438
11.4.9　保存模型439
11.4.10　模型性能439
11.4.11　进行预测440
11.4.12　预测示例440
11.5　小结441



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4