Advanced Analytics with PySpark: Patterns for Learning from Data at Scale Using Python and Spark

میزان داده هایی که امروزه تولید می شود خیره کننده و در حال رشد است. آپاچی اسپارک به عنوان ابزاری واقعی برای تجزیه و تحلیل کلان داده ها ظهور کرده است و اکنون بخش مهمی از جعبه ابزار علم داده است. این راهنمای عملی که برای Spark 3.0 به‌روزرسانی شده است، Spark، روش‌های آماری، و مجموعه داده‌های دنیای واقعی را گرد هم می‌آورد تا به شما بیاموزد چگونه با استفاده از PySpark، Spark's Python API و سایر بهترین روش‌ها در برنامه‌نویسی Spark به مسائل تحلیلی نزدیک شوید.

دانشمندان داده آکاش تاندون، سندی رایزا، اوری لیزرسون، شان اوون و جاش ویلز مقدمه ای بر اکوسیستم اسپارک ارائه می دهند، سپس به الگوهایی می پردازند که تکنیک های رایج از جمله طبقه بندی را به کار می برند. ، خوشه بندی، فیلتر مشارکتی و تشخیص ناهنجاری در زمینه هایی مانند ژنومیک، امنیت و امور مالی. این نسخه به روز شده NLP و پردازش تصویر را نیز پوشش می دهد.

اگر درک اولیه ای از یادگیری ماشین و آمار دارید و در پایتون برنامه نویسی می کنید، این کتاب شما را با تجزیه و تحلیل داده در مقیاس بزرگ شروع می کند.

• با مدل و اکوسیستم برنامه نویسی Spark آشنا شوید
• بیاموزید رویکردهای کلی در علم داده
• بررسی پیاده‌سازی‌های کاملی که مجموعه داده‌های عمومی بزرگ را تجزیه و تحلیل می‌کنند
• < span>کشف کنید کدام ابزارهای یادگیری ماشینی برای مشکلات خاص معقول است
• کدهایی را کاوش کنید که می‌توانند برای بسیاری از کاربردها سازگار شوند < /span>

The amount of data being generated today is staggering and growing. Apache Spark has emerged as the de facto tool to analyze big data and is now a critical part of the data science toolbox. Updated for Spark 3.0, this practical guide brings together Spark, statistical methods, and real-world datasets to teach you how to approach analytics problems using PySpark, Spark's Python API, and other best practices in Spark programming.

Data scientists Akash Tandon, Sandy Ryza, Uri Laserson, Sean Owen, and Josh Wills offer an introduction to the Spark ecosystem, then dive into patterns that apply common techniques-including classification, clustering, collaborative filtering, and anomaly detection, to fields such as genomics, security, and finance. This updated edition also covers NLP and image processing.

If you have a basic understanding of machine learning and statistics and you program in Python, this book will get you started with large-scale data analysis.

• Familiarize yourself with Spark's programming model and ecosystem
• Learn general approaches in data science
• Examine complete implementations that analyze large public datasets
• Discover which machine learning tools make sense for particular problems
• Explore code that can be adapted to many uses