jyshuestc的专栏

1.1 GraphLab简介 在海量数据盛行的今天，大规模并行计算已经随处可见，尤其是MapReduce框架的出现，促进了并行计算在互联网海量数据处理中的广泛应用。而针对海量数据的机器学习对并行计算的性能、开发复杂度等提出了新的挑战。 机器学习的算法具有下面两个特点：数据依赖性强，运算过程各个机器之间要进行频繁的数据交换；流处理复杂，整个处理过程需要多次迭代，数据的处理条件分支多。

一、理论基础 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。朴素贝叶斯基于贝叶斯定理，它假设输入随机变量的特征值是条件独立的，故称之为“朴素”。朴素贝叶斯分类算法属于监督学习（需要给出输入、输出）。 贝叶斯定理： 因为：P(XY)=P(Y∣X)P(X)   表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。所以其基本求解

摘要： Graphlab是一个高级的图并行抽象，它高效直观的表现了计算的依赖性。Mapreduce的计算采用独立的记录。Graphlab采用依赖性的存储在大的分布式data-graph中的顶点中的记录。Graphlab中的计算用vertex-program表示。它能够在每个顶点上并行执行，能够和邻居顶点相互影响。   1.       Software Stack:   从图中我们可