Machine Learning with PySpark: With Natural Language Processing and Recommender Systems

با PySpark مدل‌های یادگیری ماشین، برنامه‌های پردازش زبان طبیعی و سیستم‌های توصیه‌گر بسازید تا چالش‌های مختلف تجاری را حل کنید. این کتاب با مبانی Spark و تکامل آن شروع می شود و سپس کل طیف الگوریتم های یادگیری ماشین سنتی را به همراه پردازش زبان طبیعی و سیستم های توصیه کننده با استفاده از PySpark پوشش می دهد.

یادگیری ماشین با PySpark به شما نشان می‌دهد که چگونه مدل‌های یادگیری ماشینی تحت نظارت مانند رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم‌گیری و جنگل تصادفی بسازید. همچنین مدل‌های یادگیری ماشینی بدون نظارت مانند K-means و خوشه‌بندی سلسله مراتبی را خواهید دید. بخش عمده ای از کتاب بر مهندسی ویژگی تمرکز دارد تا ویژگی های مفیدی را با PySpark برای آموزش مدل های یادگیری ماشین ایجاد کند. بخش پردازش زبان طبیعی شامل پردازش متن، متن کاوی و جاسازی برای طبقه بندی می شود.

پس از خواندن این کتاب، نحوه استفاده از کتابخانه یادگیری ماشین PySpark برای ساخت و آموزش مدل‌های مختلف یادگیری ماشین را خواهید فهمید. علاوه بر این، با اجزای PySpark مرتبط، مانند دریافت داده، پردازش داده، و تجزیه و تحلیل داده‌ها راحت می‌شوید، که می‌توانید برای توسعه برنامه‌های کاربردی هوشمند مبتنی بر داده استفاده کنید.

چه خواهید آموخت< /strong>

• ایجاد طیفی از الگوریتم های یادگیری ماشینی تحت نظارت و بدون نظارت

• پیاده سازی الگوریتم های یادگیری ماشین با کتابخانه های Spark MLlib

• p>

• ایجاد یک سیستم توصیه‌کننده با کتابخانه‌های Spark MLlib

• مسائل مربوط به مهندسی ویژگی‌ها، تعادل کلاس، تعصب و واریانس، و متقاطع را مدیریت کنید. اعتبارسنجی برای ساخت یک مدل متناسب بهینه

این کتاب برای متخصصان علم داده و یادگیری ماشین چه کسی است.

Build machine learning models, natural language processing applications, and recommender systems with PySpark to solve various business challenges. This book starts with the fundamentals of Spark and its evolution and then covers the entire spectrum of traditional machine learning algorithms along with natural language processing and recommender systems using PySpark. 

Machine Learning with PySpark shows you how to build supervised machine learning models such as linear regression, logistic regression, decision trees, and random forest. You’ll also see unsupervised machine learning models such as K-means and hierarchical clustering. A major portion of the book focuses on feature engineering to create useful features with PySpark to train the machine learning models. The natural language processing section covers text processing, text mining, and embedding for classification. 

After reading this book, you will understand how to use PySpark’s machine learning library to build and train various machine learning models. Additionally you’ll become comfortable with related PySpark components, such as data ingestion, data processing, and data analysis, that you can use to develop data-driven intelligent applications.

What You Will Learn

• Build a spectrum of supervised and unsupervised machine learning algorithms

• Implement machine learning algorithms with Spark MLlib libraries

• Develop a recommender system with Spark MLlib libraries

• Handle issues related to feature engineering, class balance, bias and variance, and cross validation for building an optimal fit model

Who This Book Is For 

Data science and machine learning professionals.