Advanced Analytics with Spark: Patterns for Learning from Data at Scale

در این کتاب عملی، چهار دانشمند داده کلودرا مجموعه‌ای از الگوهای مستقل را برای انجام تجزیه و تحلیل داده‌ها در مقیاس بزرگ با اسپارک ارائه می‌کنند. نویسندگان Spark، روش‌های آماری و مجموعه‌های داده‌های دنیای واقعی را با هم می‌آورند تا به شما بیاموزند چگونه با مثال به مسائل تحلیلی نزدیک شوید.

شما با مقدمه‌ای از Spark و اکوسیستم آن شروع می‌کنید و سپس به آن می‌پردازید. الگوهایی که تکنیک‌های رایج - طبقه‌بندی، فیلتر مشارکتی و تشخیص ناهنجاری‌ها را در میان سایر موارد - در زمینه‌هایی مانند ژنومیک، امنیت و امور مالی اعمال می‌کنند. اگر درک سطح ابتدایی از یادگیری ماشین و آمار دارید و در جاوا، پایتون یا اسکالا برنامه‌نویسی می‌کنید، این الگوها را برای کار بر روی برنامه‌های داده خود مفید خواهید یافت.

الگوها عبارتند از:

• توصیه موسیقی و مجموعه داده های Audioscrobbler
• پیش بینی پوشش جنگل با درختان تصمیم
• تشخیص ناهنجاری در ترافیک شبکه با خوشه بندی K-means
• درک ویکی پدیا با تحلیل معنایی پنهان
• تجزیه و تحلیل شبکه های همزمان با GraphX
• تجزیه و تحلیل داده های مکانی و زمانی در داده های سفرهای تاکسی شهر نیویورک
• برآورد ریسک مالی از طریق شبیه سازی مونت کارلو
• تجزیه و تحلیل داده های ژنومیک و پروژه BDG
• تجزیه و تحلیل داده های تصویربرداری عصبی با PySpark و Thunder

In this practical book, four Cloudera data scientists present a set of self-contained patterns for performing large-scale data analysis with Spark. The authors bring Spark, statistical methods, and real-world data sets together to teach you how to approach analytics problems by example.

You’ll start with an introduction to Spark and its ecosystem, and then dive into patterns that apply common techniques—classification, collaborative filtering, and anomaly detection among others—to fields such as genomics, security, and finance. If you have an entry-level understanding of machine learning and statistics, and you program in Java, Python, or Scala, you’ll find these patterns useful for working on your own data applications.

Patterns include:

• Recommending music and the Audioscrobbler data set
• Predicting forest cover with decision trees
• Anomaly detection in network traffic with K-means clustering
• Understanding Wikipedia with Latent Semantic Analysis
• Analyzing co-occurrence networks with GraphX
• Geospatial and temporal data analysis on the New York City Taxi Trips data
• Estimating financial risk through Monte Carlo simulation
• Analyzing genomics data and the BDG project
• Analyzing neuroimaging data with PySpark and Thunder