Data Analytics with Hadoop: An Introduction for Data Scientists

آماده استفاده از تکنیک های آماری و یادگیری ماشینی در مجموعه داده های بزرگ هستید؟ این راهنمای عملی به شما نشان می دهد که چرا اکوسیستم Hadoop برای این کار مناسب است. به‌جای استقرار، عملیات یا توسعه نرم‌افزاری که معمولاً با محاسبات توزیع‌شده مرتبط است، روی تحلیل‌های خاصی که می‌توانید بسازید، تکنیک‌های انبار داده‌ای که Hadoop ارائه می‌کند و جریان‌های کاری داده‌های مرتبه بالاتری که این چارچوب می‌تواند ایجاد کند، تمرکز خواهید کرد.

دانشمندان و تحلیلگران داده یاد خواهند گرفت که چگونه طیف وسیعی از تکنیک ها را انجام دهند، از نوشتن برنامه های MapReduce و Spark با پایتون گرفته تا استفاده از مدل سازی پیشرفته و مدیریت داده ها با Spark MLlib، Hive و HBase. همچنین در مورد فرآیندهای تحلیلی و سیستم‌های داده موجود برای ساخت و توانمندسازی محصولات داده‌ای که می‌توانند حجم عظیمی از داده را مدیریت کنند و در واقع به آن نیاز دارند، آشنا خواهید شد.

• مفاهیم اصلی پشت Hadoop و محاسبات خوشه‌ای را درک کنید.
• از الگوریتم های طراحی و الگوریتم های تحلیلی موازی برای ایجاد مشاغل تجزیه و تحلیل داده های توزیع شده استفاده کنید
• در مورد مدیریت داده ها، استخراج و انبارداری در یک زمینه توزیع شده با استفاده از Apache Hive و HBase بیاموزید
• <. li>از Sqoop و Apache Flume برای دریافت داده ها از پایگاه داده های رابطه ای استفاده کنید
• برنامه های پیچیده Hadoop و Spark را با Apache Pig و Spark DataFrames
• اجرای تکنیک های یادگیری ماشینی مانند طبقه بندی، خوشه بندی و فیلتر کردن مشترک با Spark's MLlib

Ready to use statistical and machine-learning techniques across large data sets? This practical guide shows you why the Hadoop ecosystem is perfect for the job. Instead of deployment, operations, or software development usually associated with distributed computing, you’ll focus on particular analyses you can build, the data warehousing techniques that Hadoop provides, and higher order data workflows this framework can produce.

Data scientists and analysts will learn how to perform a wide range of techniques, from writing MapReduce and Spark applications with Python to using advanced modeling and data management with Spark MLlib, Hive, and HBase. You’ll also learn about the analytical processes and data systems available to build and empower data products that can handle—and actually require—huge amounts of data.

• Understand core concepts behind Hadoop and cluster computing
• Use design patterns and parallel analytical algorithms to create distributed data analysis jobs
• Learn about data management, mining, and warehousing in a distributed context using Apache Hive and HBase
• Use Sqoop and Apache Flume to ingest data from relational databases
• Program complex Hadoop and Spark applications with Apache Pig and Spark DataFrames
• Perform machine learning techniques such as classification, clustering, and collaborative filtering with Spark’s MLlib