Solit 2014, MapReduce и машинное обучение на hadoop и mahout, Слисенко Константин

MapReduce и машинное обучение на Hadoop и

MahoutКонстантин Слисенко, JazzTeam

О чём это я?❏ Apache Hadoop

❏ Обзор, инфраструктура Hadoop

❏ MapReduce с примерами

❏ Как начать

❏ Apache Mahout

❏ Машинное обучение, обзор Mahout

❏ Что такое кластеризация данных

❏ Пример: кластеризация stackoverflow.com

Why data is so important and big?

http://americannewsreport.com/big-data-means-big-changes-for-marketing-and-fundraising-organizations-8817773

http://www.intel.com/content/www/us/en/communications/internet-minute-infographic.html

Откуда столько данных?❏ Мы не знаем что захотим анализировать в

будущем❏ Сохраняем всё❏ Уже давно ничего не удаляется!

❏ 80% данных имеют неструктурированный характер❏ Web-краулинг, GPS, логи, медицинские

данные, статистика кликов, продажи, ...❏ Сам объём данных представляет проблему

Большие вычисления Большие данные

Использование CPU,GPU, CUDA Использование сети, дисков

Масштабируемость

Big Data

Хранение

Отказоустойчивость Кросплатформенность

❏ одна программа - разные объемы данных

❏ увеличение количества машин - не меняем программу

❏ локальные вычисления❏ множество копий, репликация

❏ не теряем ничего❏ автоматическое восстановление

после сбоев

❏ не хотим затачивать софт под конкретное железо

❏ не хотим покупать дорогое железо, запуск на обычных компьютерах

Apache Hadoop

❏ Фреймворк для обработки данных❏ Масштабируется на множество машин❏ Написан на Java, открытый исходный код❏ Специальная файловая система❏ Не требует специального железа❏ Поддержка java, c#, c++, python, ruby,

javascript, ...

http://hadoop.apache.org

Дистрибутивы❏ Apache Hadoop❏ Cloudera❏ Hortonworks❏ MapR, IBM, Oracle, Intel...

Инфраструктура Hadoop

MapReduce

HDFS

VM1 VM2 VM3 VMn...

Scripting (Pig)

Query (Hive)

Machine learning (Mahout)

Средства обработки данных

Запуск распределённых вычислений

Распределённая файловая система

Сервера или виртуальные машины

HBASE

OO

zie

(wo

rkfl

ow

)Fl

ume

(eve

nt p

ipel

ine)

Управление потоками вычислений

Перенос данных

Распределённая БД

Файловое хранилище HDFS

VM1

1 2

VM2

3 2

VM3

1 3

HDFS

❏ Распределённое хранение

❏ Локальность вычислений

❏ Репликация

1 2 3Файл

Map Reduce10:31:33 192.168.1.110:31:37 192.168.1.210:32:04 192.168.1.110:32:10 192.168.1.310:33:27 192.168.1.2

10:31:33 192.168.1.110:31:37 192.168.1.2Map

Server log file

Reduce

10:33 1

10:32 2

10:31 2

10:31 110:31 1

hh:mm:ss ip hh:mm 1

hh:mm 1

10:33:27 192.168.1.2

hh:mm sum(i)

10:33 1

10:32:04 192.168.1.110:32:10 192.168.1.3

10:32 110:32 1

10:33 1

10:31 110:31 1

10:32 110:32 1

Функции Map и Reduce❏ Описывают только

преобразование данных❏ Тестируются отдельно❏ Не зависят от объёма данных

Пример - статистика посещений сервера

Как запустить?

Cloudera Quick Start VMhttp://www.cloudera.com/content/support/en/downloads.html

Centos, GUI, Eclipse, sample java project with libs

Hortonworks Sandboxhttp://hortonworks.com/products/hortonworks-sandbox/

Web-интерфейстуториалы Pig, Hive

Cloudera Quickstart VM

Hortonworks Sandbox

Почему бы не использовать Unit-тесты?

Подключаем библиотеку MRUnit и дебажим

+ не требует инсталляции Hadoop- нет гарантии работы на реальном кластере

Без инсталляции Hadoop

Approval tests MapReduce

http://approvaltests.sourceforge.net/

1. Создаём обёртки для Mapper и Reducer2. Передаём входные данные3. Генерируется текстовый файл c результатами

Всё визуально понятноСразу имеем покрытие кода Unit-тестами

Начинаем изучать Hadoop

Hadoop. The definitive guide

O’REILLY

Getting started with Apache Hadoop

DZone Refcardz

Немного обо всём наHortonworks Sandbox VM

Pig, Hive, HDFS, Hadoop.

http://hortonworks.com/tutorials/http://hortonworks.com/products/hortonworks-sandbox/

Примеры кода на Cloudera Quickstart VM

Hadoop в облаке - играемся серьёзно

Amazon Elastic MapReduce сервис hdinsight

http://aws.amazon.com/elasticmapreduce/ http://www.windowsazure.com/en-us/services/hdinsight/

Что такое машинное обучение?

Подраздел искусственного интеллекта

Machine learning is the science of getting computers to act without being explicitly programmed (Coursera)

❏ Системы рекомендаций❏ Классификация объекта на

принадлежность к группе❏ Нахождение похожих объектов❏ Нахождение шаблонов поведения❏ Ключевые темы в коллекции

документов❏ Определение аномалий❏ Определние спама❏ Ранжирование поисковой выдачии многое другое

Разбивка объектов на группы по схожести

Каждый объект имеет признаки (features)

Задана мера сходства (distance measure)❏ в примере - геометрическое

расстояние

Кластеризация

Разбивка объектов на группы по схожести

Каждый объект имеет признаки (features)

Задана мера сходства (distance measure)❏ в примере - геометрическое

расстояние

Кластеризация

Разбивка объектов на группы по схожести

Каждый объект имеет признаки (features)

Задана мера сходства (distance measure)❏ в примере - геометрическое

расстояние

Кластеризация

I am engineer. I love my pet. My pet is dog.I, am, engineer, love, my, pet, is, dog.

Кластеризация текста

Исходный текстВыделение слов, фильтрация

Векторизация

engineer love pet dog

1 I am engineer 1 0 0 0

2 I love my pet 0 1 1 0

3 My pet is dog 0 0 1 1

p q d(p, q)

1 2 3

2 3 2

1 3 3

Нахождение близости

http://mahout.apache.org

Старт: 2008 годПоследняя версия 0.9

Библиотека алгоритмов машинного обучения

Работает поверх Hadoop и отдельно

Apache MahoutСистемы

рекомендацийКластеризация

Классификация

И многое другое

1 февраля - месяц назад

Как внести свой вклад1. Дождаться выхода

нового релиза2. Собрать, запустить

unit-тесты3. Сообщить о проблемах

http://mahout.apache.org/developers/how-to-contribute.html

Последний релиз 0.9

Пример: кластеризация посылок

Кластеризация посылок

ParcelClusteringMahoutExample.java Parcel.java

ParcelToVectorUtil.java

Output

stackoverflow.com

❏ 15.7 Гб (архив, Январь 2014)

❏ 6.7 миллионов вопросов

❏ 12 миллионов ответов

❏ 2.8 миллионов пользователей

https://archive.org/details/stackexchange

Открытые данные stackoverflow

<posts> <row Id="0" Title="Title1"

Body="Question 1 text" ... /> <row Id="1" Title="Title1"

Body="Question 2 text" ... /></posts>

Исходные данные в формате XML

PostTypeId, AcceptedAnswerId, CreationDate, Score, ViewCount, OwnerUserId, LastEditorUserId, LastEditorDisplayName, LastEditDate, LastActivityDate, Tags, AnswerCount, CommentCount, FavoriteCount

Кластеризация stackoverflow

XML Text [0, 1, 0, 1, 1, 0][1, 0, 0, 1, 1, 1]

1. Выделение текста из XML

2. Обработка текста

3. Векторизация

4. Кластеризация 5. Отображение результатов

1. Hadoop MapReduce2. Mahout + Lucene (фильтр слов, начальная форма, ...)3. Mahout, алгоритм TF-IDF4. Mahout, алгоритм К-средних5. Hadoop MapReduce, HTML, JavaScript, Database

Результат - облако тегов

Динамичность Mahout

Алгоритмы живут пока их кто-то поддерживает

Если не было поддержки в течение нескольких последних релизов - алгоритм безжалостно выпиливается

One of the goals of Mahout these days is to streamline the project by supporting a only few good algorithms and slowly deprecate and remove algorithms that are not used that much or are difficult to use.

Изучаем Mahout

Mahout in action

Sean Oven, Robin Anil, Ted Dunning, Ellen Friedman

Manning

Кластеризация Stackoverflow от Frank Scholtenhttps://github.com/frankscholten/mahout-clustering-stackoverflow

Исходный код примеров Mahout in action:https://github.com/tdunning/MiA

Mailing [email protected]@mahout.apache.org

Hadoop & MapReduce & Mahout in action

H.Saygin Arkan

9/3/2009

Вопросы?

Спасибо за внимание!

[email protected]