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: [1 ed.] نویسندگان: Matthew Rocklin, Matthew Powers, Richard Pelgrim سری: ISBN (شابک) : 9781098117146, 9781098117085 ناشر: O’Reilly Media, Inc. سال نشر: 2022 تعداد صفحات: [105] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Dask: The Definitive Guide - Scalable Python Data Science with Dask (Early Release 1) 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 Dask: The Definitive Guide - Scalable Data Science Python with Dask (Early Release 1) 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.
حجم رو به رشد و پیچیدگی داده ها، مقیاس پذیری و قابلیت اطمینان را به طور فزاینده ای مسائل چالش برانگیز می کند. اما در حالی که سیستمهای مدرن شامل CPU و GPUهای چند هستهای هستند که پتانسیل محاسبات موازی را دارند، بسیاری از ابزارهای پایتون برای استفاده از این موازیسازی طراحی نشدهاند. استفاده از Dask برای موازی کردن گردشهای کاری پایتون مزیت رقابتی را با کاهش زمان چرخش به ارمغان میآورد و شما را آزاد میکند تا روی مسائل جالبتر یا پیچیدهتر داده کار کنید. با این راهنمای ضروری در کنار شما، شما قادر خواهید بود: Dask را روی ابر یا on-prem مستقر کنید کد پایتون خود را به مجموعه دادههای بزرگتر و جریانهای کاری فشردهتر CPU مقیاس دهید خطوط لوله داده را که اغلب هفته ها یا ماه ها طول می کشد تا اجرا شوند سرعت دهید غلبه بر محدودیت های محاسبات سریال در ماشین محلی خود (یا سیستم ماشین ها) از مثالهای ارائه شده برای مقیاسبندی گردش کار خود استفاده کنید، چه با NumPy، پانداها، scikit-learn، PyTorch، XGBoost یا ابزارهای دیگر کار میکنید. یک کتابخانه تخصصی علوم داده ایجاد کنید که از محاسبات موازی و توزیع شده استفاده کند محاسبات را به صورت ایمن و کارآمد به مجموعهای از ماشینها و ابر مقیاس دهید
The burgeoning volume and complexity of data make scalability and reliability increasingly challenging issues. But while modern systems contain multicore CPUs and GPUs that have the potential for parallel computing, many Python tools weren't designed to leverage this parallelism. Using Dask to parallelize Python workflows delivers a competitive advantage by reducing turnaround time, freeing you to work on more interesting or complex data problems. With this essential guide at your side, you'll be able to: Deploy Dask on the cloud or on-prem Scale your Python code to bigger datasets and CPU-intensive workflows Speed up data pipelines that often take weeks or months to execute Overcome the limits of serial computing on your local machine (or system of machines) Use the examples provided to scale your workflows, whether you're working with NumPy, pandas, scikit-learn, PyTorch, XGBoost, or other tools Develop a specialized data science library that leverages parallel and distributed computing Scale computations to a cluster of machines and to the cloud securely and efficiently