ADMM based Scalable Machine Learning on Apache Spark

您提到的演讲《ADMM based Scalable Machine Learning on Apache Spark》由Bosch AI Research的Sauptik Dhar和Mahak Shah在Spark Summit 2017上发表，重点讨论了基于交替方向乘子法（ADMM, Alternating Direction Method of Multipliers）在Apache Spark上的可扩展机器学习应用。ADMM是一种优化算法，特别适合大规模分布式计算环境，能够有效处理大数据集上的机器学习问题，通过分解复杂优化问题为更小、更易管理的子问题来加速计算。

关于ADMM的优点，主要包括： 1. 并行性：ADMM天然支持问题的分解，可以在多核CPU或分布式计算集群（如Apache Spark平台）上高效并行执行。 2. 灵活性：适用于广泛的问题类型，包括凸和非凸优化问题，以及带有约束条件的问题。 3. 收敛性：即使在高通信延迟的环境下也能保持较好的收敛速度和稳定性。 4. 容错性：对于部分节点失败的情况具有一定的鲁棒性，可以继续进行优化过程。

至于ADMML包，这可能是他们演讲中提及的一个软件包或者库，用于实现基于ADMM的机器学习算法，并且与Apache Spark集成，以提供一个用户友好的接口来执行大规模数据集上的优化任务。不过，根据提供的信息，我没有直接找到名为“ADMML”的具体公开软件包或库。可能这个名称是特定于演讲中的示例或研究项目，或者是一个内部开发的工具。

如果您对使用ADMM方法在阿里云的产品环境中进行大规模机器学习感兴趣，可以考虑以下几点： - 阿里云MaxCompute：这是一个大数据处理平台，类似于Apache Hadoop和Spark，支持大规模数据存储和计算，非常适合运行分布式机器学习任务。 - PAI (Platform of Artificial Intelligence)：阿里云的机器学习平台，提供了丰富的机器学习算法和模型训练服务，虽然它不直接提供ADMM的实现，但您可以利用其灵活的编程环境（如PyODPS、PAI-DSW等）自定义实现ADMM算法。 - E-MapReduce：阿里云的Hadoop和Spark托管服务，可以直接部署和管理Apache Spark集群，便于实施基于ADMM的自定义解决方案。

如果需要下载相关资料，您提供的链接指向了一个已失效的页面。建议直接访问Spark Summit的官方网站或相关的学术资源库（如arXiv、GitHub等），搜索演讲者的名字或演讲标题，可能会找到演讲视频、幻灯片或相关的开源代码。