ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Beginning Apache Spark 3: With DataFrame, Spark SQL, Structured Streaming, and Spark Machine Learning Library

دانلود کتاب آغاز Apache Spark 3: با DataFrame، Spark SQL، Structured Streaming و Spark Machine Learning Library

Beginning Apache Spark 3: With DataFrame, Spark SQL, Structured Streaming, and Spark Machine Learning Library

مشخصات کتاب

Beginning Apache Spark 3: With DataFrame, Spark SQL, Structured Streaming, and Spark Machine Learning Library

ویرایش: 2 
نویسندگان:   
سری:  
ISBN (شابک) : 1484273826, 9781484273821 
ناشر: Apress 
سال نشر: 2021 
تعداد صفحات: 445 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 41,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Beginning Apache Spark 3: With DataFrame, Spark SQL, Structured Streaming, and Spark Machine Learning Library 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 آغاز Apache Spark 3: با DataFrame، Spark SQL، Structured Streaming و Spark Machine Learning Library 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.


توضیحاتی در مورد کتاب آغاز Apache Spark 3: با DataFrame، Spark SQL، Structured Streaming و Spark Machine Learning Library



به سمت کشف، یادگیری و استفاده از Apache Spark 3.0 سفر کنید. در این کتاب، شما در مورد موتور پردازش داده های توزیع شده قدرتمند و کارآمد در داخل آپاچی اسپارک تخصص کسب خواهید کرد. مدل برنامه نویسی کاربرپسند، جامع و انعطاف پذیر آن برای پردازش داده ها به صورت دسته ای و جریانی. و الگوریتم‌های یادگیری ماشین مقیاس‌پذیر و ابزارهای کاربردی برای ساخت برنامه‌های یادگیری ماشین.

آغاز Apache Spark 3 با توضیح روش‌های مختلف تعامل با Apache Spark، مانند مفاهیم Spark و معماری آغاز می‌شود. و Spark Unified Stack. در مرحله بعد، مروری بر Spark SQL قبل از رفتن به ویژگی های پیشرفته آن ارائه می دهد. این نکات و تکنیک‌هایی را برای رسیدگی به مشکلات عملکرد، و به دنبال آن مروری بر موتور پردازش جریان ساختاریافته پوشش می‌دهد. این با نمایشی از نحوه توسعه برنامه‌های یادگیری ماشین با استفاده از Spark MLlib و نحوه مدیریت چرخه عمر توسعه یادگیری ماشین به پایان می‌رسد. این کتاب مملو از مثال‌های عملی و تکه‌های کد است که به شما کمک می‌کند مفاهیم و ویژگی‌ها را بلافاصله پس از پوشش دادن در هر بخش تسلط پیدا کنید.

پس از خواندن این کتاب، دانش لازم برای ساختن کلان داده‌های خود را خواهید داشت. خطوط لوله، برنامه‌ها، و برنامه‌های یادگیری ماشین موتور و اجزای مختلف آن

  • برای ارائه یک موتور پردازش داده مقیاس پذیر، مقاوم در برابر خطا و کارآمد کار می کنند
  • از مدل برنامه نویسی کاربرپسند و انعطاف پذیر برای انجام تجزیه و تحلیل داده های ساده تا پیچیده استفاده کنید. با استفاده از dataframe و Spark SQL
  • توسعه برنامه های یادگیری ماشین با استفاده از Spark MLlib
  • مدیریت چرخه عمر توسعه یادگیری ماشین با استفاده از MLflow
  • < p>

    این کتاب برای چه کسانی است

    دانشمندان داده، مهندسان داده و توسعه دهندگان نرم افزار.


    توضیحاتی درمورد کتاب به خارجی

    Take a journey toward discovering, learning, and using Apache Spark 3.0. In this book, you will gain expertise on the powerful and efficient distributed data processing engine inside of Apache Spark; its user-friendly, comprehensive, and flexible programming model for processing data in batch and streaming; and the scalable machine learning algorithms and practical utilities to build machine learning applications.

    Beginning Apache Spark 3 begins by explaining different ways of interacting with Apache Spark, such as Spark Concepts and Architecture, and Spark Unified Stack. Next, it offers an overview of Spark SQL before moving on to its advanced features. It covers tips and techniques for dealing with performance issues, followed by an overview of the structured streaming processing engine. It concludes with a demonstration of how to develop machine learning applications using Spark MLlib and how to manage the machine learning development lifecycle. This book is packed with practical examples and code snippets to help you master concepts and features immediately after they are covered in each section.

    After reading this book, you will have the knowledge required to build your own big data pipelines, applications, and machine learning applications.

    What You Will Learn

    • Master the Spark unified data analytics engine and its various components
    • Work in tandem to provide a scalable, fault tolerant and performant data processing engine
    • Leverage the user-friendly and flexible programming model to perform simple to complex data analytics using dataframe and Spark SQL
    • Develop machine learning applications using Spark MLlib
    • Manage the machine learning development lifecycle using MLflow

    Who This Book Is For

    Data scientists, data engineers and software developers.



    فهرست مطالب

    Table of Contents
    About the Author
    About the Technical Reviewers
    Acknowledgments
    Introduction
    Chapter 1: Introduction to Apache Spark
    	Overview
    	History
    	Spark Core Concepts and Architecture
    		Spark Cluster and Resource Management System
    		Spark Applications
    		Spark Drivers and Executors
    		Spark Unified Stack
    			Spark Core
    			Spark SQL
    			Spark Structured Streaming
    			Spark MLlib
    			Spark GraphX
    			SparkR
    	Apache Spark 3.0
    		Adaptive Query Execution Framework
    		Dynamic Partition Pruning (DPP)
    		Accelerator-aware Scheduler
    	Apache Spark Applications
    	Spark Example Applications
    	Apache Spark Ecosystem
    		Delta Lake
    		Koalas
    		MLflow
    	Summary
    Chapter 2: Working with Apache Spark
    	Downloading and Installation
    		Downloading Spark
    		Installing Spark
    			Spark Scala Shell
    			Spark Python Shell
    	Having Fun with the Spark Scala Shell
    		Useful Spark Scala Shell Command and Tips
    		Basic Interactions with Scala and Spark
    			Basic Interactions with Scala
    			Spark UI and Basic Interactions with Spark
    				Spark UI
    				Basic Interactions with Spark
    	Introduction to Collaborative Notebooks
    		Create a Cluster
    		Create a Folder
    		Create a Notebook
    	Setting up Spark Source Code
    	Summary
    Chapter 3: Spark SQL: Foundation
    	Understanding RDD
    	Introduction to the DataFrame API
    	Creating a DataFrame
    		Creating a DataFrame from RDD
    		Creating a DataFrame from a Range of Numbers
    		Creating a DataFrame from Data Sources
    			Creating a DataFrame by Reading Text Files
    			Creating a DataFrame by Reading CSV Files
    			Creating a DataFrame by Reading JSON Files
    			Creating a DataFrame by Reading Parquet Files
    			Creating a DataFrame by Reading ORC Files
    			Creating a DataFrame from JDBC
    		Working with Structured Operations
    			Working with Columns
    			Working with Structured Transformations
    				select(columns)
    				selectExpr(expressions)
    				filler(condition), where(condition)
    				distinct, dropDuplicates
    				sort(columns), orderBy(columns)
    				limit(n)
    				union(otherDataFrame)
    				withColumn(colName, column)
    				withColumnRenamed(existingColName, newColName)
    				drop(columnName1, columnName2)
    				sample(fraction), sample(fraction, seed), sample(fraction, seed, withReplacement)
    				randomSplit(weights)
    			Working with Missing or Bad Data
    			Working with Structured Actions
    				describe(columnNames)
    	Introduction to Datasets
    		Creating Datasets
    		Working with Datasets
    	Using SQL in Spark SQL
    		Running SQL in Spark
    	Writing Data Out to Storage Systems
    	The Trio: DataFrame, Dataset, and SQL
    	DataFrame Persistence
    	Summary
    Chapter 4: Spark SQL: Advanced
    	Aggregations
    		Aggregation Functions
    			Common Aggregation Functions
    				count(col)
    				countDistinct(col)
    				min(col), max(col)
    				sum(col)
    				sumDistinct(col)
    				avg(col)
    				skewness(col), kurtosis(col)
    				variance(col), stddev(col)
    		Aggregation with Grouping
    			Multiple Aggregations per Group
    			Collection Group Values
    		Aggregation with Pivoting
    	Joins
    		Join Expression and Join Types
    		Working with Joins
    			Inner Joins
    			Left Outer Joins
    			Right Outer Joins
    			Outer Joins (a.k.a. Full Outer Joins)
    			Left Anti-Joins
    			Left Semi-Joins
    			Cross (a.k.a. Cartesian)
    		Dealing with Duplicate Column Names
    			Use Original DataFrame
    			Renaming Column Before Joining
    			Using Joined Column Name
    		Overview of Join Implementation
    			Shuffle Hash Join
    			Broadcast Hash Join
    	Functions
    		Working with Built-in Functions
    			Working with Date Time Functions
    			Working with String Functions
    			Working with Math Functions
    			Working with Collection Functions
    			Working with Miscellaneous Functions
    		Working with User-Defined Functions (UDFs)
    	Advanced Analytics Functions
    		Aggregation with Rollups and Cubes
    		Rollups
    		Cubes
    			Aggregation with Time Windows
    			Window Functions
    	Exploring Catalyst Optimizer
    		Logical Plan
    		Physical Plan
    		Catalyst in Action
    		Project Tungsten
    	Summary
    Chapter 5: Optimizing Spark Applications
    	Common Performance Issues
    		Spark Configurations
    			Different Ways of Setting Properties
    			Different Kinds of Properties
    			Viewing Spark Properties
    		Spark Memory Management
    			Spark Driver
    			Spark Executor
    	Leverage In-Memory Computation
    		When to Persist and Cache Data
    		Persistence and Caching APIs
    		Persistence and Caching Example
    	Understanding Spark Joins
    		Broadcast Hash Join
    		Shuffle Sort Merge Join
    	Adaptive Query Execution
    		Dynamically Coalescing Shuffle Partitions
    		Dynamically Switching Join Strategies
    		Dynamically Optimizing Skew Joins
    	Summary
    Chapter 6: Spark Streaming
    	Stream Processing
    		Concepts
    			Data Delivery Semantics
    			Notion of Time
    			Windowing
    		Stream Processing Engine Landscape
    	Spark Streaming Overview
    	Spark DStream
    		Spark Structured Streaming
    		Overview
    		Core Concepts
    			Data Sources
    			Output Modes
    			Trigger Types
    			Data Sinks
    			Watermarking
    		Structured Streaming Applications
    		Streaming DataFrame Operations
    			Selection, Project, Aggregation Operations
    			Join Operations
    		Working with Data Sources
    			Working with a Socket Data Source
    			Working with a Rate Data Source
    			Working with a File Data Source
    			Working with a Kafka Data Source
    			Working with a Custom Data Source
    		Working with Data Sinks
    			Working with a File Data Sink
    			Working with a Kafka Data Sink
    			Working with a foreach Data Sink
    			Working with a Console Data Sink
    			Working with a Memory Data Sink
    		Output Modes
    		Triggers
    	Summary
    Chapter 7: Advanced Spark Streaming
    	Event Time
    		Fixed Window Aggregation over an Event Time
    		Sliding Window Aggregation over Event Time
    		Aggregation State
    		Watermarking: Limit State and Handle Late Data
    	Arbitrary Stateful Processing
    		Arbitrary Stateful Processing with Structured Streaming
    		Handling State Timeouts
    		Arbitrary State Processing in Action
    			Extracting Patterns with mapGroupsWithState
    			User Sessionization with flatMapGroupsWithState
    	Handling Duplicate Data
    	Fault Tolerance
    		Streaming Application Code Change
    		Spark Runtime Change
    	Streaming Query Metrics and Monitoring
    		Streaming Query Metrics
    		Monitoring Streaming Queries via Callback
    		Monitoring Streaming Queries via Visualization UI
    		Streaming Query Summary Information
    		Streaming Query Detailed Statistics Information
    		Troubleshooting Streaming Query
    	Summary
    Chapter 8: Machine Learning with Spark
    	Machine Learning Overview
    		Machine Learning Terminologies
    		Machine Learning Types
    			Supervised Learning
    			Unsupervised Learning
    			Reinforcement Learning
    		Machine Learning Development Process
    	Spark Machine Learning Library
    		Machine Learning Pipelines
    			Transformers
    			Estimators
    			Pipeline
    				Pipeline Persistence: Saving and Loading
    			Model Tuning
    				Speeding Up Model Tuning
    				Model Evaluators
    	Machine Learning Tasks in Action
    		Classification
    			Model Hyperparameters
    			Example
    		Regression
    			Model Hyperparameters
    			Example
    		Recommendation
    			Model Hyperparameters
    			Example
    	Deep Learning Pipeline
    	Summary
    Chapter 9: Managing the Machine Learning Life Cycle
    	The Rise of MLOps
    		MLOps Overview
    	MLflow Overview
    		MLflow Components
    		MLflow in Action
    			MLflow Tracking
    			MLflow Projects
    			MLflow Models
    			MLflow Model Registry
    	Model Deployment and Prediction
    	Summary
    Index




    نظرات کاربران