Data Algorithms: Recipes for Scaling Up with Hadoop and Spark

اگر برای پردازش مجموعه داده‌های بزرگ آماده غواصی در چارچوب MapReduce هستید، این کتاب کاربردی شما را گام به گام با الگوریتم‌ها و ابزارهایی که برای ساختن برنامه‌های MapReduce توزیع شده با Apache Hadoop یا Apache Spark نیاز دارید، راهنمایی می‌کند. هر فصل دستور العملی برای حل یک مسئله محاسباتی عظیم، مانند ساختن یک سیستم توصیه ارائه می دهد. شما یاد خواهید گرفت که چگونه راه حل مناسب MapReduce را با کدی که می توانید در پروژه های خود استفاده کنید، پیاده سازی کنید.

Dr. محمود پارسیان الگوهای اولیه طراحی، تکنیک‌های بهینه‌سازی و داده‌کاوی و راه‌حل‌های یادگیری ماشین را برای مشکلات بیوانفورماتیک، ژنومیک، آمار و تحلیل شبکه‌های اجتماعی پوشش می‌دهد. این کتاب همچنین شامل نمای کلی MapReduce، Hadoop و Spark است.

موضوعات عبارتند از:

• تجزیه و تحلیل سبد بازار برای مجموعه بزرگی از معاملات
• الگوریتم های داده کاوی (K-means، KNN و Naive Bayes)
• استفاده از داده های ژنومی عظیم برای توالی یابی DNA و RNA
• قضیه ساده بیز بیز و زنجیره های مارکوف برای داده ها و پیش بینی بازار
• li>
• الگوریتم های توصیه و تشابه اسناد زوجی
• رگرسیون خطی، رگرسیون کاکس و همبستگی پیرسون
• فرکانس آللی و استخراج DNA
• تجزیه و تحلیل شبکه های اجتماعی ( سیستم های توصیه، شمارش مثلث ها، تحلیل احساسات)

If you are ready to dive into the MapReduce framework for processing large datasets, this practical book takes you step by step through the algorithms and tools you need to build distributed MapReduce applications with Apache Hadoop or Apache Spark. Each chapter provides a recipe for solving a massive computational problem, such as building a recommendation system. You’ll learn how to implement the appropriate MapReduce solution with code that you can use in your projects.

Dr. Mahmoud Parsian covers basic design patterns, optimization techniques, and data mining and machine learning solutions for problems in bioinformatics, genomics, statistics, and social network analysis. This book also includes an overview of MapReduce, Hadoop, and Spark.

Topics include:

• Market basket analysis for a large set of transactions
• Data mining algorithms (K-means, KNN, and Naive Bayes)
• Using huge genomic data to sequence DNA and RNA
• Naive Bayes theorem and Markov chains for data and market prediction
• Recommendation algorithms and pairwise document similarity
• Linear regression, Cox regression, and Pearson correlation
• Allelic frequency and mining DNA
• Social network analysis (recommendation systems, counting triangles, sentiment analysis)