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: نویسندگان: Bengfort. B., Kim. J. سری: ISBN (شابک) : 1491913762, 9781491913765 ناشر: O’Reilly Media سال نشر: 2016 تعداد صفحات: 288 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Data Analytics with Hadoop: An Introduction for Data Scientists 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 تجزیه و تحلیل داده ها با Hadoop: مقدمه ای برای دانشمندان داده 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.
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.
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.
Part I Introduction to Distributed Computing..............1
Part II Workflows and Tools for Big Data Science..............129
Appendix A Creating a Hadoop PseudoDistributed Development Environment..............227
Appendix B Installing Hadoop Ecosystem Products..............237