�ݺ�ߣ

Apache Hadoop în conjuncţie cu MahoutBudăi Steliana:steliana.budai@infoiasi.ro Odata cu cresterea masivă, atat a datelor structurate cat si a celor nestructurate, apare nevoia de a sti ce se află in aceste date. Invatarea automată este folosita pentru a afla ce este în aceste date cu un input uman minim. Construit peste Apache Handoop, Mahout rezolvă o serie de probleme de învăţare automată folosind terabytes de date pe mii de calculatoareKeywords: Mahout, Hadoop, clasificare, Bayes, SVMCe este Handoop?Căutarea informaţiilor pe web folosind Google sau Yahoo se face foarte repede deoarece se foloseste algoritmul Map Reduce. Acesta este o tehnologie porprietară. Apache vine cu un framework map reduce propriu numit HadoopApache Hadoop este un framework java ce ofera posibilitatea aplicaţiilor să lucreze cu mii de noduri si cantitaţi mari de date. Handoop este un proiect Apache fiind folosit şi construit de o comunitate formată din persoane din intreaga lume. Yahoo are cea mai mare contributie la acest proiect, folosind Handoop la cautări si publicitate. Alti contribuitori sunt Google si IBM, care il folosesc pentru cursuri universitare si programare distribuită.Trăsaturi Handoopeste un framework pentru rularea aplicaţiilor pe clustere, oferind aplicaţiilor siguranţa şi posobilitatea de a migra datele

poate rula in trei moduri diferite, depinzand de modul de distributie al proceselor:

modul implicit: totul e rulat de un proces java

pseudo distribuit ruleaza pe o singura masina cu diferiti demoni Handoop rulati ca procese java diferite

distribuit complet sau modul cluster o masina din cluster este NameNod(are grija de namespace, ) ul si alta este JobTraker - ul

implementează paradigma map reduce, care se bazeaza pe faptul ca aplicaţia este divizată în mici fragmente fiecare din ele putand fi executată sau reexecutată pe fiecare nod din cluster. Map Reduce este o combinatie a funcţiilor map() şi reduce()

Map: ofera functionalitate pentru procesare datelor de tip cheie valoare pentru a genera perechi de tip cheie valoare pentru output

Reduce: include functionalitate pentru colecatrea output ului de la map - uri de procesare paralele si crearea otputului din datele colectate.

ofera un sistem de fisiere distribuit care stochează datele pe noduri. Atat map/reduce cat şi fişierele de sistem distribuite sunt create astfel încat eşecurile din noduri sunt tratate de frameworkExemplu Map Reduce pentru transformarea textului cu spaţii în text fără spaţiipublic static class Map extends MapReduceBaseimplements Mapper {private Text initialText = new Text();private Text textTransformed = new Text();public void map(LongWritable key, Text inputs,OutputCollectoroutput, Reporter reporter) throws IOException {String input = inputs.toString();intş length = input.length(); String transformed = new String();for(int i=length-1; i>=0; i--){if(input.get(i)!=” ”)transformed+= input.charAt(i));}initialText.set(inputString);textTransformed.set(transformed);output.collect(inputText,reverseText);}}public static class Reduce extends MapReduceBaseimplements Reducer {public void reduce(Text key, Iterator values,OutputCollector output,Reporter reporter) throws IOException {while (values.hasNext()) {output.collect(key, values.next());}}}MahoutCe este Mahout?Subproiect Hadoop pentru dezvoltarea algoritmilor de învatare automată scalabili, comerciali. Numele a fost ales in respect fata de Handoop, al cărui logo este un elefant. Mahout inseamna om care conduce un elefant.La momentul actual Mahout oferă support pentru următoarele: recomandare : învată din comportamentul user-ului şi încearcă să găsească ce i-ar place user-ului;clustering: se grupează documente text si se pun în grupuri de documente înrudite;clasificare: se învată din documentele existente cum arată un document de un anumit tip, fiind capabil ulterior sa eticheteze un anumit document intr-o anumită categorie.Exemple practicesepararea informatiei importante de spam;Fig 1: proiect Apahe ce încearcă să identifice spamul gruparea stirilor in funcţie de tema; gasirea programatorilor cu interese similare; descoperirea grupurilor cu rezultate de cautare inrudite;sortarea dupa relevanţă.Ce este Clasificarea?Clasificarea: se învată din categoriile de documente existente cum arată documentele de o anumita categorie; dat fiind un nou document acesta va fi asignat cu uşrinţă unei categorii.Exemplu de folosire al clasificariiavem: un motor de cautare se vrea: indexarea paginiolor pe o anumita temărecomandarea clipurilor videoFig 2: rezultat al căutării pe You Tube al cuvantului ScrubsRSS (imput:canale RSS, output: adu – mi pe cel mai nou si mai bun)Fig3: imaginea preluată de la adresa http://cwiki.apache.org/MAHOUT/bookstutorialstalks.data/froscon.pdfrecomandare de ziare noi(input: ziare preferate si lista de noi aparitii, output: recomandare de ziare noi )Fig 4: imagine preluată de la adresa http://cwiki.apache.org/MAHOUT/bookstutorialstalks.data/froscon.pdfoferirea de suport pentru debugpoate face cautarea de job – uri mai uşoara(gasirea de job – uri postate pe internet şi extragerea automată a locului, titlului, datei)Fig 5: imagine preluată de la adresa http://cwiki.apache.org/MAHOUT/bookstutorialstalks.data/froscon.pdfagregarea informatiei(input: date gasite pe site uri sociale si motoare de cautare obisnuite, output: informatii despre o persoana sau firma)convertirea de text scris de mană în text pe calculatorAlgoritmi pentru clasificareRegresie Logisticăse bazeaza pe predicţia probabilitatii de indeplinire a unui eveniment

se foloseste de variabile de predictie care pot fi numerice sau de alt tip

este echivalentul discriminator pentru Bayes naiv. Nu modelează probabilitatea datei de input cum face acesta, deci nu poate face presupuneri false despre ditribuţia datelor de inputNaive BayesNaive Bayes este rapid si usor de implementat, faţa de alţi algoritmi care sunt mai putin eronaţi, dar mult mai lenţi.Este cel mai des intalnit la filtrele de spam. In ciuda simplităţii şi a presupunerilor naïve, s – a dovedit a fi foarte bun in practică. Pentru a fi clasificate obiectele sunt reprezentate prin caracteristici numerice:Exemplu :la email spam: fiecare caracteristica indică daca un anumit cuvant este prezent sau nu in mail.Algoritmul are doua parti invatare si aplicare.Inainte de a se putea rula trainer – ul trebuie efectuată o muncă de pregătire pentru a seta o serie de documente pentru training şi un set de documente pentru testare. WikipediaDatasetCreatorDriver, inclus in sursele Mahout împarte documentele în funcţie categorii de interes. Categoria de interes poate fi orice categorie Wikipedia validă. Fie domeniile de interes moda, stiinţa, sport. Orice categorie Wikipedia care are o categorie din acestea trei va fi pus într – un grup împreună cu alte documente din aceeaşi categorie. Fiecare document este normalizat si ii este eliminată punctuaţia si alte elemente de care nu este nevoie pentru a face clasificarea. Documentele de test şi training nu trebuie sa fie aceleaşi.Dupa ce datele de test şi de training sunt setate se poat rula TrainClassifier, care va încerca să clasifice documentele. Va rezulta o cantitate mare de loguri atat de la Mahout cat şi de la Hadoop. Output ul testului este un set de date numit matrice de confuzie. Aceasta descrie cate rezultate au fost correct clasificate şi cate incorrect pentru fiecare categorie.Se observa că aproximati 75% din date sunt corecte , ceea ce e mult mai bine decat ghicire random.In timpul invatarii, algoritmului ii este atasat un set de vectori, fiecare dintre ei fiind clasificat clasei careuia ii apartine obiectul. Din aceasta este dedusa combinatia de caracteristici ce apare in mod fecvent in spam – uri. Avand aceasta informati este uşor de dedus daca un mesaj este spam sau nu.Acest algoritm face numeroase presupuneri neadevarate despre date: un exemplu: se consider că toate caracteristicile obiectului sunt independente(contraexemplu: fie data fraza “Statuia Libertatii
aceasta nu influenteaza probabilitatea de vedea grupul de cuvinte”New York”)Naive Bayes Complementarîncearcă să corecteze unele dintre problemele clasificatorului Bayes Naiv, dar în acelaşi timp încearcă să menţină simplicitatea şi vitezaSVMFiecare obiect este considerta un punct intr - un spatiu n - dimensional, n fiind numarul de atribute

�ݺ�ߣ

Hadoop Mahout Budai Steliana

More Related Content

Hadoop Mahout Budai Steliana