Clojure for Data Science

آمار، داده های بزرگ و یادگیری ماشین برای برنامه نویسان Clojure

درباره این کتاب

• با استفاده از Clojure کد بنویسید تا از قدرت داده های خود استفاده کنید
• کتابخانه ها و چارچوب هایی را که به موفقیت شما کمک می کنند کشف کنید
• راهنمای عملی برای درک اینکه چگونه می توان از زبان برنامه نویسی Clojure برای استفاده بینش‌هایی را از داده‌ها استخراج کنید

این کتاب برای چه کسی است

این کتاب برای توسعه‌دهندگانی است که قبلاً در Clojure سازنده هستند اما غرق شده‌اند. با وسعت و عمق درک مورد نیاز برای موثر بودن در زمینه علم داده. چه وظیفه ارائه یک پروژه تحلیلی خاص را داشته باشید و چه صرفاً گمان می‌کنید که می‌توانید ارزش بیشتری از داده‌های خود به دست آورید، این کتاب به شما الهام‌بخش فرصت‌ها و خطرات موجود در داده‌های هر شکل و اندازه می‌شود. .

آنچه یاد خواهید گرفت

• آزمایش فرضیه را انجام دهید و انتخاب ویژگی و اهمیت آماری را درک کنید تا نتایج خود را با اطمینان تفسیر کنید
< li>تکنیک های اصلی یادگیری ماشین رگرسیون، طبقه بندی، خوشه بندی و توصیه را اجرا کنید
• درک اهمیت ارزش آمار و توزیع های ساده در تجزیه و تحلیل داده های اکتشافی
• مقیاس سازی الگوریتم های وب مجموعه داده‌های با اندازه کارآمد با استفاده از مدل‌های برنامه‌نویسی توزیع‌شده در Hadoop و Spark
• استفاده از رویکردهای تحلیلی مناسب برای متن، نمودار و داده‌های سری زمانی
• تفسیر اصطلاحاتی که در مقالات فنی با آن‌ها مواجه خواهید شد
• li>
• وارد کردن کتابخانه‌ها از سایر زبان‌های JVM مانند جاوا و اسکالا
• یافته‌های خود را به طور واضح و قانع‌کننده به همکاران غیرتخصصی ارسال کنید

به‌طور جزئی

b>

اصطلاح "علم داده" به طور گسترده برای تعریف این حرفه جدید استفاده شده است که انتظار می رود مجموعه داده های گسترده ای را تفسیر کند و آنها را به تصمیم گیری و عملکرد بهتر ترجمه کند. Clojure یک زبان قدرتمند است که تعامل یک زبان برنامه نویسی را با سرعت یک زبان کامپایل شده ترکیب می کند. این زبان همراه با اکوسیستم غنی از کتابخانه‌های بومی و یک رویکرد کاربردی بسیار ساده و منسجم برای دستکاری داده‌ها، که دقیقاً با فرمول ریاضی نگاشت، یک زبان ایده‌آل، عملی و انعطاف‌پذیر برای پاسخگویی به نیازهای دانشمند داده است.

شما خواهید آموخت که چگونه تفکر آماری را در داده‌های خود اعمال کنید و از Clojure برای کاوش، تجزیه و تحلیل و تجسم آن‌ها از نظر فنی و آماری استفاده کنید. راه قوی همچنین می‌توانید از Incanter برای پردازش داده‌های محلی و ClojureScript برای ارائه تجسم‌های تعاملی استفاده کنید و درک کنید که چگونه پلتفرم‌های توزیع‌شده مانند Hadoop sand Spark's MapReduce و GraphX's BSP چالش‌های تجزیه و تحلیل داده‌ها را در مقیاس حل می‌کنند و چگونه الگوریتم‌ها را با استفاده از آن مدل‌های برنامه‌نویسی توضیح دهید.</ p>

مهمتر از همه، با پیروی از توضیحات این کتاب، نه تنها یاد خواهید گرفت که چگونه با استفاده از روش‌های پیشرفته در علم داده مؤثر باشید، بلکه یاد خواهید گرفت که چرا چنین روش‌هایی کار می‌کنند تا بتوانید همچنان که این رشته در آینده پیشرفت می کند، به تولید خود ادامه دهید.

سبک و رویکرد

این یک راهنمای عملی برای علم داده است که تئوری را با مثال از طریق آموزش می دهد. کتابخانه ها و چارچوب های قابل دسترسی از زبان برنامه نویسی Clojure.

در حال بارگیری کد نمونه برای این کتاب. می‌توانید فایل‌های کد نمونه را برای همه کتاب‌های Packt که از حساب خود در http://www.PacktPub.com خریداری کرده‌اید دانلود کنید. اگر این کتاب را از جای دیگری خریداری کرده اید، می توانید به http://www.PacktPub.com/support مراجعه کرده و ثبت نام کنید تا فایل ها مستقیماً برای شما ایمیل شوند.

Statistics, big data, and machine learning for Clojure programmers

About This Book

• Write code using Clojure to harness the power of your data
• Discover the libraries and frameworks that will help you succeed
• A practical guide to understanding how the Clojure programming language can be used to derive insights from data

Who This Book Is For

This book is aimed at developers who are already productive in Clojure but who are overwhelmed by the breadth and depth of understanding required to be effective in the field of data science. Whether you’re tasked with delivering a specific analytics project or simply suspect that you could be deriving more value from your data, this book will inspire you with the opportunities–and inform you of the risks–that exist in data of all shapes and sizes.

What You Will Learn

• Perform hypothesis testing and understand feature selection and statistical significance to interpret your results with confidence
• Implement the core machine learning techniques of regression, classification, clustering and recommendation
• Understand the importance of the value of simple statistics and distributions in exploratory data analysis
• Scale algorithms to web-sized datasets efficiently using distributed programming models on Hadoop and Spark
• Apply suitable analytic approaches for text, graph, and time series data
• Interpret the terminology that you will encounter in technical papers
• Import libraries from other JVM languages such as Java and Scala
• Communicate your findings clearly and convincingly to nontechnical colleagues

In Detail

The term “data science” has been widely used to define this new profession that is expected to interpret vast datasets and translate them to improved decision-making and performance. Clojure is a powerful language that combines the interactivity of a scripting language with the speed of a compiled language. Together with its rich ecosystem of native libraries and an extremely simple and consistent functional approach to data manipulation, which maps closely to mathematical formula, it is an ideal, practical, and flexible language to meet a data scientist’s diverse needs.

Taking you on a journey from simple summary statistics to sophisticated machine learning algorithms, this book shows how the Clojure programming language can be used to derive insights from data. Data scientists often forge a novel path, and you’ll see how to make use of Clojure’s Java interoperability capabilities to access libraries such as Mahout and Mllib for which Clojure wrappers don’t yet exist. Even seasoned Clojure developers will develop a deeper appreciation for their language’s flexibility!

You’ll learn how to apply statistical thinking to your own data and use Clojure to explore, analyze, and visualize it in a technically and statistically robust way. You can also use Incanter for local data processing and ClojureScript to present interactive visualisations and understand how distributed platforms such as Hadoop sand Spark’s MapReduce and GraphX’s BSP solve the challenges of data analysis at scale, and how to explain algorithms using those programming models.

Above all, by following the explanations in this book, you’ll learn not just how to be effective using the current state-of-the-art methods in data science, but why such methods work so that you can continue to be productive as the field evolves into the future.

Style and approach

This is a practical guide to data science that teaches theory by example through the libraries and frameworks accessible from the Clojure programming language.

Downloading the example code for this book. You can download the example code files for all Packt books you have purchased from your account at http://www.PacktPub.com. If you purchased this book elsewhere, you can visit http://www.PacktPub.com/support and register to have the files e-mailed directly to you.