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
دسته بندی: سیستم های اطلاعاتی ویرایش: نویسندگان: Karim. M.R., Kaysar. M. سری: ISBN (شابک) : 1785888749, 9781785888748 ناشر: Packt Publishing, Limited سال نشر: 2016 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Large Scale Machine Learning with Spark 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 یادگیری ماشین بزرگ مقیاس با جرقه 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.
هر آنچه را که برای ساختن برنامههای یادگیری ماشینی قوی با Spark 2.0 نیاز دارید کشف کنید درباره این کتاب بهروزترین کتاب موجود در بازار را دریافت کنید که بر طراحی، مهندسی و راهحلهای مقیاسپذیر در یادگیری ماشین تمرکز دارد با Spark 2.0.0 استفاده از یادگیری ماشین Spark کتابخانه در یک محیط کلان داده شما یاد خواهید گرفت که چگونه برنامه های کاربردی با ارزش بالا را در مقیاس به راحتی توسعه دهید و یک طراحی شخصی سازی شده را توسعه دهید این کتاب برای مهندسان علم داده و دانشمندانی است که با مجموعه داده های بزرگ و پیچیده کار می کنند. شما باید با اصول اولیه مفاهیم یادگیری ماشین، آمار و ریاضیات محاسباتی آشنا باشید. آشنایی با اسکالا و جاوا توصیه می شود. آنچه یاد خواهید گرفت درک نظری کاملی از الگوریتمهای ML دریافت کنید. Spark را در زیرساختهای کلاستر و ابری پیکربندی کنید تا برنامهها را با استفاده از Scala، Java، Python و R توسعه دهید. برنامههای کاربردی ML را در زیرساختهای کلاستر یا ابری بزرگ مقیاسسازی کنید از Spark ML و MLlib برای توسعه خطوط لوله ML با سیستم توصیه، طبقهبندی، رگرسیون، خوشهبندی، تحلیل احساسات و کاهش ابعاد مدیریت متون بزرگ برای توسعه برنامههای ML با تمرکز قوی بر مهندسی ویژگی از Spark Streaming برای توسعه برنامههای ML برای پخش همزمان مدلهای Tune ML با اعتبارسنجی متقابل، تنظیم فراپارامترها استفاده کنید. و آموزش تقسیم مدلهای ML را تقویت کنید تا آنها را برای دادههای جدید در محیطهای پویا و افزایشی تطبیق دهید. در جزئیات پردازش دادهها، پیادهسازی الگوریتمهای مرتبط، تنظیم، افزایش مقیاس و در نهایت استقرار برخی از مراحل حیاتی در فرآیند بهینهسازی هر برنامه کاربردی هستند. Spark میتواند دادههای دستهای و جریانی در مقیاس بزرگ را مدیریت کند تا بفهمد چه زمانی دادهها را در حافظه پنهان کند و آنها را تا ۱۰۰ برابر سریعتر از MapReduce مبتنی بر Hadoop پردازش کند. این بدان معناست که تجزیه و تحلیل پیشبینیکننده را میتوان برای استریم و دستهای به کار برد تا برنامههای یادگیری ماشینی کامل (ML) را بسیار سریعتر توسعه دهد، و Spark را به یک کاندید ایدهآل برای برنامههای کاربردی با حجم بالا تبدیل میکند. این کتاب بر مهندسی طراحی و راه حل های مقیاس پذیر با استفاده از ML با Spark تمرکز دارد. ابتدا، نحوه نصب Spark را با تمام ویژگی های جدید از آخرین نسخه Spark 2.0 یاد خواهید گرفت. در ادامه، مفاهیم مهمی مانند مهندسی ویژگی های پیشرفته با RDD و Datasets را کشف خواهید کرد. پس از مطالعه توسعه و استقرار برنامه ها، نحوه استفاده از کتابخانه های خارجی با Spark را خواهید دید. به طور خلاصه، میتوانید برنامههای ML کامل و شخصیسازی شده را از مجموعههای داده، ساخت مدل، تنظیم و مقیاسبندی تا استقرار در یک خوشه یا ابر توسعه دهید. سبک و رویکرد این کتاب یک رویکرد عملی دارد که در آن تمام موضوعات توضیح داده شده با کمک موارد استفاده در دنیای واقعی نشان داده شده است.
Discover everything you need to build robust machine learning applications with Spark 2.0 About This Book Get the most up-to-date book on the market that focuses on design, engineering, and scalable solutions in machine learning with Spark 2.0.0 Use Spark's machine learning library in a big data environment You will learn how to develop high-value applications at scale with ease and a develop a personalized design Who This Book Is For This book is for data science engineers and scientists who work with large and complex data sets. You should be familiar with the basics of machine learning concepts, statistics, and computational mathematics. Knowledge of Scala and Java is advisable. What You Will Learn Get solid theoretical understandings of ML algorithms Configure Spark on cluster and cloud infrastructure to develop applications using Scala, Java, Python, and R Scale up ML applications on large cluster or cloud infrastructures Use Spark ML and MLlib to develop ML pipelines with recommendation system, classification, regression, clustering, sentiment analysis, and dimensionality reduction Handle large texts for developing ML applications with strong focus on feature engineering Use Spark Streaming to develop ML applications for real-time streaming Tune ML models with cross-validation, hyperparameters tuning and train split Enhance ML models to make them adaptable for new data in dynamic and incremental environments In Detail Data processing, implementing related algorithms, tuning, scaling up and finally deploying are some crucial steps in the process of optimising any application. Spark is capable of handling large-scale batch and streaming data to figure out when to cache data in memory and processing them up to 100 times faster than Hadoop-based MapReduce. This means predictive analytics can be applied to streaming and batch to develop complete machine learning (ML) applications a lot quicker, making Spark an ideal candidate for large data-intensive applications. This book focuses on design engineering and scalable solutions using ML with Spark. First, you will learn how to install Spark with all new features from the latest Spark 2.0 release. Moving on, you'll explore important concepts such as advanced feature engineering with RDD and Datasets. After studying developing and deploying applications, you will see how to use external libraries with Spark. In summary, you will be able to develop complete and personalised ML applications from data collections, model building, tuning, and scaling up to deploying on a cluster or the cloud. Style and approach This book takes a practical approach where all the topics explained are demonstrated with the help of real-world use cases."