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: Tomasz Drabas. Denny Lee
سری:
ISBN (شابک) : 1786463709, 9781786463708
ناشر: Packt Publishing
سال نشر: 2017
تعداد صفحات: 273
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری PySpark: داده کاوی، پایگاه داده و کلان داده، کامپیوتر و فناوری، پردازش داده، پایگاه داده و کلان داده، رایانه و فناوری
در صورت تبدیل فایل کتاب Learning PySpark 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 PySpark 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.
برنامههای فشرده داده را بهصورت محلی بسازید و با استفاده از قدرتهای ترکیبی Python و Spark 2.0 در مقیاس گسترش دهید
اگر توسعهدهنده پایتون هستید و میخواهید درباره Apache Spark 2.0 بیاموزید. اکوسیستم، این کتاب برای شماست. انتظار می رود درک محکم پایتون بهترین نتیجه را از کتاب بگیرد. آشنایی با Spark مفید است، اما اجباری نیست.
Apache Spark یک چارچوب متن باز برای محاسبات خوشه ای کارآمد با یک رابط قوی برای موازی سازی داده ها و تحمل خطا است. این کتاب به شما نشان می دهد که چگونه از قدرت پایتون استفاده کنید و از آن در اکوسیستم اسپارک استفاده کنید. شما با درک دقیق معماری Spark 2.0 و نحوه راه اندازی یک محیط Python برای Spark شروع خواهید کرد.
شما با ماژول های موجود در PySpark آشنا خواهید شد. شما یاد خواهید گرفت که چگونه داده ها را با RDD ها و DataFrames انتزاع کنید و قابلیت های استریم PySpark را درک کنید. همچنین، مروری کامل بر قابلیتهای یادگیری ماشین PySpark با استفاده از ML و MLlib، پردازش گراف با استفاده از GraphFrames، و ماندگاری چند زبانه با استفاده از Blaze خواهید داشت. در نهایت، شما یاد خواهید گرفت که چگونه با استفاده از دستور spark-submit، برنامههای خود را در فضای ابری مستقر کنید.
در پایان این کتاب، درک محکمی از Spark Python API و نحوه انجام آن به دست خواهید آورد. برای ساخت برنامه های کاربردی داده فشرده استفاده شود.
این کتاب یک رویکرد بسیار جامع و گام به گام دارد، بنابراین شما درک می کنید که چگونه می توان از اکوسیستم Spark استفاده کرد. پایتون برای توسعه راه حل های کارآمد و مقیاس پذیر. هر فصل مستقل است و به روشی بسیار آسان برای درک نوشته شده است، با تمرکز بر چگونگی و چرایی هر مفهوم.
Build data-intensive applications locally and deploy at scale using the combined powers of Python and Spark 2.0
If you are a Python developer who wants to learn about the Apache Spark 2.0 ecosystem, this book is for you. A firm understanding of Python is expected to get the best out of the book. Familiarity with Spark would be useful, but is not mandatory.
Apache Spark is an open source framework for efficient cluster computing with a strong interface for data parallelism and fault tolerance. This book will show you how to leverage the power of Python and put it to use in the Spark ecosystem. You will start by getting a firm understanding of the Spark 2.0 architecture and how to set up a Python environment for Spark.
You will get familiar with the modules available in PySpark. You will learn how to abstract data with RDDs and DataFrames and understand the streaming capabilities of PySpark. Also, you will get a thorough overview of machine learning capabilities of PySpark using ML and MLlib, graph processing using GraphFrames, and polyglot persistence using Blaze. Finally, you will learn how to deploy your applications to the cloud using the spark-submit command.
By the end of this book, you will have established a firm understanding of the Spark Python API and how it can be used to build data-intensive applications.
This book takes a very comprehensive, step-by-step approach so you understand how the Spark ecosystem can be used with Python to develop efficient, scalable solutions. Every chapter is standalone and written in a very easy-to-understand manner, with a focus on both the hows and the whys of each concept.