دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills سری: ISBN (شابک) : 9781491912768 ناشر: O'Reilly Media سال نشر: 2015 تعداد صفحات: 276 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Advanced Analytics with Spark: Patterns for Learning from Data at Scale به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل پیشرفته با جرقه: الگوهای یادگیری داده ها در مقیاس نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
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 بر Spark و اکوسیستم آن شروع میکنید و سپس به الگوهایی میپردازید 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 دادهای خود مفید خواهید یافت.
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.