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: Singh. Pramod
سری:
ISBN (شابک) : 9781484249604, 1484249607
ناشر: Apress
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 مگابایت
در صورت تبدیل فایل کتاب LEARN PYSPARK: build python-based machine learning and deep learning models 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 PYSPARK را یاد بگیرید: یادگیری ماشینی مبتنی بر پایتون و مدلهای یادگیری عمیق بسازید 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.
از مدلهای یادگیری عمیق و ماشینی برای ایجاد برنامههای کاربردی بر روی دادههای زمان واقعی با استفاده از PySpark استفاده کنید. این کتاب برای کسانی که می خواهند استفاده از این زبان را برای انجام تجزیه و تحلیل داده های اکتشافی و حل مجموعه ای از چالش های تجاری بیاموزند عالی است. شما با مرور اصول PySpark، مانند معماری اصلی Spark، شروع میکنید و نحوه استفاده از PySpark را برای پردازش کلان دادهها مانند تکنیکهای جذب داده، پاکسازی و تبدیل دادهها شروع میکنید. این امر با ایجاد گردش کار برای تجزیه و تحلیل داده های جریان با استفاده از PySpark و مقایسه پلت فرم های مختلف جریان دنبال می شود. سپس خواهید دید که چگونه با استفاده از Airflow با PySpark کارهای مختلف جرقه را برنامه ریزی کنید و کتاب بررسی ماشین تنظیم و مدل های یادگیری عمیق برای پیش بینی های زمان واقعی را بررسی کنید. این کتاب با بحث در مورد فریم های گراف و انجام تحلیل شبکه با استفاده از الگوریتم های گراف در PySpark به پایان می رسد. تمام کدهای ارائه شده در کتاب در اسکریپت های پایتون در Github در دسترس خواهند بود. آنچه می آموزید توسعه خطوط لوله برای پردازش داده های جریانی با استفاده از مدل های یادگیری ماشین PySpark Build و یادگیری عمیق با استفاده از آخرین پیشنهادات PySpark از تجزیه و تحلیل نمودار با استفاده از PySpark استفاده کنید. می خواهید PySpark را برای تجزیه و تحلیل زمان واقعی در جریان داده ها یاد بگیرید و از آن استفاده کنید.
Leverage machine and deep learning models to build applications on real-time data using PySpark. This book is perfect for those who want to learn to use this language to perform exploratory data analysis and solve an array of business challenges. You'll start by reviewing PySpark fundamentals, such as Spark’s core architecture, and see how to use PySpark for big data processing like data ingestion, cleaning, and transformations techniques. This is followed by building workflows for analyzing streaming data using PySpark and a comparison of various streaming platforms. You'll then see how to schedule different spark jobs using Airflow with PySpark and book examine tuning machine and deep learning models for real-time predictions. This book concludes with a discussion on graph frames and performing network analysis using graph algorithms in PySpark. All the code presented in the book will be available in Python scripts on Github. What You'll Learn Develop pipelines for streaming data processing using PySpark Build Machine Learning & Deep Learning models using PySpark latest offerings Use graph analytics using PySpark Create Sequence Embeddings from Text data Who This Book is For Data Scientists, machine learning and deep learning engineers who want to learn and use PySpark for real time analysis on streaming data.
Front Matter ....Pages i-xviii
Introduction to Spark (Pramod Singh)....Pages 1-16
Data Processing (Pramod Singh)....Pages 17-48
Spark Structured Streaming (Pramod Singh)....Pages 49-65
Airflow (Pramod Singh)....Pages 67-84
MLlib: Machine Learning Library (Pramod Singh)....Pages 85-115
Supervised Machine Learning (Pramod Singh)....Pages 117-159
Unsupervised Machine Learning (Pramod Singh)....Pages 161-181
Deep Learning Using PySpark (Pramod Singh)....Pages 183-203
Back Matter ....Pages 205-210