مشخصات کتاب

Mastering Scala machine learning

ویرایش:  
نویسندگان: Kozlov. Alexander  
سری:  
ISBN (شابک) : 9781785885266, 178588526X 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 586 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 مگابایت 

کلمات کلیدی مربوط به کتاب تسلط بر یادگیری ماشینی اسکالا: اسکالا (زبان برنامه کامپیوتری)، پردازش داده ها، پایگاه های داده، زبان های برنامه نویسی

در صورت تبدیل فایل کتاب Mastering Scala machine learning 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 تسلط بر یادگیری ماشینی اسکالا 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.

توضیحاتی در مورد کتاب تسلط بر یادگیری ماشینی اسکالا

مهارت های خود را در تجزیه و تحلیل کارآمد داده ها و پردازش داده ها با استفاده از ابزارهای قدرتمند Scala، Spark و HadoopAbout This Book تقویت کنید*این مقدمه ای در مورد تکنیک های سبک برنامه نویسی کاربردی است که به شما کمک می کند تا به طور کارآمد تمام داده های خود را پردازش و تجزیه و تحلیل کنید*آشنایی با بهترین و جدیدترین ابزارهای موجود مانند Scala، Spark، Parquet و MLlib برای یادگیری ماشینی *با بهترین شیوه ها برای ترکیب یادگیری ماشینی جدید Big Data در شرکت مبتنی بر داده خود برای دستیابی به مقیاس پذیری و قابلیت نگهداری در آینده آشنا شوید. برای علاقه مندانی که می خواهند در استخر جدید تکنیک های نوظهور برای یادگیری ماشین غوطه ور شوند در نظر گرفته شده است. آشنایی با تکنیک های آماری استاندارد لازم است. آنچه یاد خواهید گرفت*مهارت های برنامه نویسی عملکردی خود را در اسکالا با استفاده از REPL تقویت کنید*تکنیک های استاندارد و پیشرفته یادگیری ماشین را با استفاده از Scala به کار ببرید*با فناوری های Big Data آشنا شوید و درک کنید که چرا ما به یک رویکرد کاربردی برای Big Data نیاز داریم* ساختارهای داده، الگوریتم های جدید را کشف کنید. رویکردها و عاداتی که به شما امکان می دهد با حجم زیادی از داده ها به طور مؤثر کار کنید * اصول یادگیری تحت نظارت و بدون نظارت در یادگیری ماشین را بدانید * با داده های بدون ساختار کار کنید و آن ها را با استفاده از Kryo، Protobuf، Avro و AvroParquet سریال کنید * ساخت قابل اعتماد و قوی خطوط لوله داده و مدیریت داده ها در یک شرکت مبتنی بر داده*پیاده سازی نظارت و هشدارهای مدل مقیاس پذیر با ScalaIn Detailاز زمان ظهور برنامه نویسی شی گرا، فناوری های جدید مرتبط با Big Data به طور مداوم در بازار ظاهر می شوند. یکی از این فناوری‌ها Scala است که بسیاری آن را جانشین جاوا در حوزه داده‌های بزرگ می‌دانند، مانند جاوا برای C/C++ در حوزه برنامه‌نویسی توزیع‌شده. هدف این کتاب این است که دانش شما را به سطح بالاتری برساند و به شما کمک کند آن دانش را برای ایجاد برنامه های کاربردی پیشرفته مانند استخراج رسانه های اجتماعی، پورتال های خبری هوشمند و غیره به شما منتقل کند. پس از بازنگری سریع مفاهیم برنامه نویسی کاربردی با استفاده از REPL، چند نمونه عملی از راه اندازی محیط توسعه و دستکاری داده ها را مشاهده خواهید کرد. سپس کار با Spark و MLlib را با استفاده از k-means و درخت های تصمیم بررسی می کنیم. بیشتر داده هایی که ما امروز تولید می کنیم بدون ساختار و خام هستند و شما یاد خواهید گرفت که با این نوع داده ها با موضوعات پیشرفته ای مانند رگرسیون، طبقه بندی، ادغام و کار با الگوریتم های گراف مقابله کنید. در نهایت، نحوه استفاده از Scala برای انجام تحلیل مفاهیم پیچیده، نظارت بر عملکرد مدل، و ساخت یک مخزن مدل را خواهید آموخت. در پایان این کتاب، شما در انجام یادگیری ماشینی اسکالا تخصص کسب خواهید کرد و قادر خواهید بود پروژه های پیچیده یادگیری ماشینی را با استفاده از Scala بسازید.;Cover; کپی رایت؛ وام؛ درباره نویسنده؛ تصدیق؛ www.PacktPub.com; فهرست مطالب؛ پیشگفتار؛ فصل 1: تجزیه و تحلیل داده های اکتشافی. شروع کار با اسکالا؛ مقادیر متمایز یک فیلد طبقه بندی شده؛ خلاصه کردن یک فیلد عددی؛ حرکت در زمینه های متعدد. نمونه گیری پایه، طبقه ای و منسجم؛ کار با نوت بوک های اسکالا و اسپارک؛ همبستگی های اساسی؛ خلاصه؛ فصل 2: ​​خطوط لوله داده و مدل سازی. نمودارهای تأثیر؛ آزمایشات متوالی و مقابله با ریسک؛ اکتشاف و بهره برداری؛ مجهولات ناشناخته؛ اجزای اساسی یک سیستم داده محور؛ مصرف داده

توضیحاتی درمورد کتاب به خارجی

Advance your skills in efficient data analysis and data processing using the powerful tools of Scala, Spark, and HadoopAbout This Book*This is a primer on functional-programming-style techniques to help you efficiently process and analyze all of your data*Get acquainted with the best and newest tools available such as Scala, Spark, Parquet and MLlib for machine learning*Learn the best practices to incorporate new Big Data machine learning in your data-driven enterprise to gain future scalability and maintainabilityWho This Book Is ForMastering Scala Machine Learning is intended for enthusiasts who want to plunge into the new pool of emerging techniques for machine learning. Some familiarity with standard statistical techniques is required. What You Will Learn*Sharpen your functional programming skills in Scala using REPL*Apply standard and advanced machine learning techniques using Scala*Get acquainted with Big Data technologies and grasp why we need a functional approach to Big Data*Discover new data structures, algorithms, approaches, and habits that will allow you to work effectively with large amounts of data*Understand the principles of supervised and unsupervised learning in machine learning*Work with unstructured data and serialize it using Kryo, Protobuf, Avro, and AvroParquet*Construct reliable and robust data pipelines and manage data in a data-driven enterprise*Implement scalable model monitoring and alerts with ScalaIn DetailSince the advent of object-oriented programming, new technologies related to Big Data are constantly popping up on the market. One such technology is Scala, which is considered to be a successor to Java in the area of Big Data by many, like Java was to C/C++ in the area of distributed programing. This book aims to take your knowledge to next level and help you impart that knowledge to build advanced applications such as social media mining, intelligent news portals, and more. After a quick refresher on functional programming concepts using REPL, you will see some practical examples of setting up the development environment and tinkering with data. We will then explore working with Spark and MLlib using k-means and decision trees. Most of the data that we produce today is unstructured and raw, and you will learn to tackle this type of data with advanced topics such as regression, classification, integration, and working with graph algorithms. Finally, you will discover at how to use Scala to perform complex concept analysis, to monitor model performance, and to build a model repository. By the end of this book, you will have gained expertise in performing Scala machine learning and will be able to build complex machine learning projects using Scala.;Cover; Copyright; Credits; About the Author; Acknowlegement; www.PacktPub.com; Table of Contents; Preface; Chapter 1: Exploratory Data Analysis; Getting started with Scala; Distinct values of a categorical field; Summarization of a numeric field; Grepping across multiple fields; Basic, stratified, and consistent sampling; Working with Scala and Spark Notebooks; Basic correlations; Summary; Chapter 2: Data Pipelines and Modeling; Influence diagrams; Sequential trials and dealing with risk; Exploration and exploitation; Unknown unknowns; Basic components of a data-driven system; Data ingest.

فهرست مطالب

Cover
 Copyright
 Credits
 About the Author
 Acknowlegement
 www.PacktPub.com
 Table of Contents
 Preface
 Chapter 1: Exploratory Data Analysis
 Getting started with Scala
 Distinct values of a categorical field
 Summarization of a numeric field
 Grepping across multiple fields
 Basic, stratified, and consistent sampling
 Working with Scala and Spark Notebooks
 Basic correlations
 Summary
 Chapter 2: Data Pipelines and Modeling
 Influence diagrams
 Sequential trials and dealing with risk
 Exploration and exploitation
 Unknown unknowns
 Basic components of a data-driven system
 Data ingest. Data transformation layerData analytics and machine learning
 UI component
 Actions engine
 Correlation engine
 Monitoring
 Optimization and interactivity
 Feedback loops
 Summary
 Chapter 3: Working with Spark and MLlib
 Setting up Spark
 Understanding Spark architecture
 Task scheduling
 Spark components
 MQTT, ZeroMQ, Flume, and Kafka
 HDFS, Cassandra, S3, and Tachyon
 Mesos, YARN, and Standalone
 Applications
 Word count
 Streaming word count
 Spark SQL and DataFrame
 ML libraries
 SparkR
 Graph algorithms --
GraphX and GraphFrames
 Spark performance tuning
 Running Hadoop HDFS
 Summary. Chapter 4: Supervised and Unsupervised LearningRecords and supervised learning
 Iris dataset
 Labeled point
 SVMWithSGD
 Logistic regression
 Decision tree
 Bagging and boosting --
ensemble learning methods
 Unsupervised learning
 Problem dimensionality
 Summary
 Chapter 5: Regression and Classification
 What regression stands for?
 Continuous space and metrics
 Linear regression
 Logistic regression
 Regularization
 Multivariate regression
 Heteroscedasticity
 Regression trees
 Classification metrics
 Multiclass problems
 Perceptron
 Generalization error and overfitting
 Summary. Chapter 6: Working with Unstructured DataNested data
 Other serialization formats
 Hive and Impala
 Sessionization
 Working with traits
 Working with pattern matching
 Other uses of unstructured data
 Probabilistic structures
 Projections
 Summary
 Chapter 7: Working with Graph Algorithms
 A quick introduction to graphs
 SBT
 Graph for Scala
 Adding nodes and edges
 Graph constraints
 JSON
 GraphX
 Who is getting e-mails?
 Connected components
 Triangle counting
 Strongly connected components
 PageRank
 SVD++
 Summary
 Chapter 8: Integrating Scala with R and Python
 Integrating with R. Setting up R and SparkRLinux
 Mac OS
 Windows
 Running SparkR via scripts
 Running Spark via R's command line
 DataFrames
 Linear models
 Generalized linear model
 Reading JSON files in SparkR
 Writing Parquet files in SparkR
 Invoking Scala from R
 Using Rserve
 Integrating with Python
 Setting up Python
 PySpark
 Calling Python from Java/Scala
 Using sys.process._
 Spark pipe
 Jython and JSR 223
 Summary
 Chapter 9: NLP in Scala
 Text analysis pipeline
 Simple text analysis
 MLlib algorithms in Spark
 TF-IDF
 LDA
 Segmentation, annotation, and chunking
 POS tagging.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Handbook of Numerical Analysis. Finite Element Methods (Part 1)

دانلود کتاب Graded commutative algebra and related structures in Singular with applications [PhD thesis]

دانلود کتاب Appillionaires: Secrets from Developers Who Struck It Rich on the App Store

دانلود کتاب Specifying Message Passing and Time-Critical Systems with Temporal Logic

دانلود کتاب Normal RNGs: Wallace's method