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: Chandramani Tiwary
سری:
ISBN (شابک) : 9781783555215
ناشر: Packt Publishing
سال نشر: 2015
تعداد صفحات: 250
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
در صورت تبدیل فایل کتاب Learning Apache Mahout: Acquire practical skills in Big Data Analytics and explore data science with Apache Mahout 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 Learna Apache Mahout: مهارتهای عملی را در Big Data Analytics بدست آورید و با اطلاعات Apache Mahout اکتشاف کنید 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.
در چند سال گذشته، تولید داده ها و توانایی ما برای ذخیره و پردازش آن به طور تصاعدی رشد کرده است. نیاز به چارچوبهای تحلیلی مقیاسپذیر و افرادی با مهارتهای مناسب برای دریافت اطلاعات مورد نیاز از این دادههای بزرگ وجود دارد. آپاچی ماهوت یکی از اولین و برجسته ترین پلتفرم های یادگیری ماشینی Big Data است. این الگوریتم های یادگیری ماشین را در بالای پلتفرم های پردازش توزیع شده مانند Hadoop و Spark پیاده سازی می کند. با شروع با اصول اولیه Mahout و یادگیری ماشینی، الگوریتم های برجسته و پیاده سازی آنها را در توسعه Mahout بررسی خواهید کرد. در مورد بلوکهای ساختمانی Mahout، پرداختن به استخراج ویژگی، کاهش و نفرین ابعاد، بررسی موارد استفاده طبقهبندی با طبقهبندیکننده جنگل تصادفی و سادهای بیز و آیتم و توصیههای مبتنی بر کاربر خواهید آموخت. سپس با استفاده از الگوریتم K-means با ماهوت خوشه بندی می کنید و Mahout را بدون MapReduce پیاده سازی می کنید. با کاوش در موارد استفاده نهایی در تجزیه و تحلیل مشتری و تجزیه و تحلیل آزمایشی برای به دست آوردن دانش عملی واقعی از پروژه های تجزیه و تحلیل، با شکوفایی به پایان برسانید.
In the past few years the generation of data and our capability to store and process it has grown exponentially. There is a need for scalable analytics frameworks and people with the right skills to get the information needed from this Big Data. Apache Mahout is one of the first and most prominent Big Data machine learning platforms. It implements machine learning algorithms on top of distributed processing platforms such as Hadoop and Spark. Starting with the basics of Mahout and machine learning, you will explore prominent algorithms and their implementation in Mahout development. You will learn about Mahout building blocks, addressing feature extraction, reduction and the curse of dimensionality, delving into classification use cases with the random forest and Naïve Bayes classifier and item and user-based recommendation. You will then work with clustering Mahout using the K-means algorithm and implement Mahout without MapReduce. Finish with a flourish by exploring end-to-end use cases on customer analytics and test analytics to get a real-life practical know-how of analytics projects.