ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Parallel Python with Dask: Perform distributed computing, concurrent programming and manage large dataset

دانلود کتاب پایتون موازی با Dask: انجام محاسبات توزیع شده، برنامه نویسی همزمان و مدیریت مجموعه داده های بزرگ

Parallel Python with Dask: Perform distributed computing, concurrent programming and manage large dataset

مشخصات کتاب

Parallel Python with Dask: Perform distributed computing, concurrent programming and manage large dataset

ویرایش:  
نویسندگان:   
سری:  
 
ناشر: Gitforgits 
سال نشر: 2023 
تعداد صفحات: 290 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Parallel Python with Dask: Perform distributed computing, concurrent programming and manage large dataset 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 پایتون موازی با Dask: انجام محاسبات توزیع شده، برنامه نویسی همزمان و مدیریت مجموعه داده های بزرگ 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 پایتون موازی با Dask: انجام محاسبات توزیع شده، برنامه نویسی همزمان و مدیریت مجموعه داده های بزرگ

باز کردن قدرت پایتون موازی با Dask: راهنمای یادگیری کامل برای دانشمندان مشتاق داده\r\n\r\nDask محاسبات موازی را برای پایتون متحول کرده است و دانشمندان داده را قادر می سازد تا گردش کار خود را سرعت بخشند. این راهنمای جامع پیچیدگی‌های Dask را آشکار می‌کند تا به شما کمک کند از قابلیت‌های آن برای یادگیری ماشینی و تجزیه و تحلیل داده‌ها استفاده کنید.\r\n\r\nدر 10 فصل، به اصول، معماری و ادغام Dask با اکوسیستم محاسباتی علمی پایتون تسلط خواهید داشت. آموزش های گام به گام نقشه برداری موازی، زمان بندی کار، و استفاده از آرایه های Dask را برای بارهای کاری NumPy نشان می دهد. شما متوجه خواهید شد که Dask چگونه یکپارچه مقیاس می شود. Pandas، Scikit-Learn، PyTorch، و دیگر کتابخانه ها برای مجموعه داده های بزرگ.\r\n\r\nفصل‌های اختصاصی رگرسیون مقیاس‌بندی، طبقه‌بندی، تنظیم فراپارامتر، مهندسی ویژگی و موارد دیگر را با مثال‌های واضح بررسی می‌کنند. همچنین یاد خواهید گرفت که با استفاده از Dask، RAPIDS و Google JAX از قدرت پردازنده‌های گرافیکی برای افزایش سرعت‌های بزرگ استفاده کنید.\r\n\r\nاین کتاب تاکید ویژه ای بر موارد استفاده عملی مربوط به مقیاس پذیری و محاسبات توزیع شده دارد. شما الگوهای Dask را برای محاسبات خوشه ای، مدیریت کارآمد منابع و خطوط لوله داده قوی یاد خواهید گرفت. فصل های پیشرفته DaskML و یادگیری عمیق نحوه ساخت مدل های مقیاس پذیر با PyTorch و TensorFlow را نشان می دهد.\r\n\r\nبا استفاده از این کتاب، مهارت های عملی را به دست خواهید آورد\r\n\r\nبا نقشه برداری موازی و زمان بندی کار، بارهای کاری پایتون را تسریع کنید\r\n\r\nافزایش سرعت NumPy، Pandas، Scikit-Learn، PyTorch، و کتابخانه های دیگر\r\n\r\nخطوط لوله یادگیری ماشینی مقیاس پذیر برای مجموعه داده های بزرگ بسازید\r\n\r\nاز طریق Dask، RAPIDS و JAX از GPU ها به طور موثر استفاده کنید\r\n\r\nخوشه های Dask و گردش کار را برای محاسبات توزیع شده مدیریت کنید\r\n\r\nمدل های یادگیری عمیق را با چارچوب های DaskML و DL ساده کنید\r\n\r\nاین کتاب با نمونه‌های عملی و بینش‌های متخصص، جعبه ابزار کاملی را برای استفاده از قابلیت‌های Dask فراهم می‌کند. این برنامه‌نویسان پایتون، دانشمندان داده و مهندسان یادگیری ماشین را برای دستیابی به گردش‌های کاری سریع‌تر و عملیاتی کردن محاسبات موازی توانمند می‌سازد.


توضیحاتی درمورد کتاب به خارجی

Unlock the Power of Parallel Python with Dask: A Perfect Learning Guide for Aspiring Data Scientists Dask has revolutionized parallel computing for Python, empowering data scientists to accelerate their workflows. This comprehensive guide unravels the intricacies of Dask to help you harness its capabilities for machine learning and data analysis. Across 10 chapters, you'll master Dask's fundamentals, architecture, and integration with Python's scientific computing ecosystem.Step-by-step tutorials demonstrate parallel mapping, task scheduling, and leveraging Dask arrays for NumPy workloads.You'll discover how Dask seamlessly scales Pandas, Scikit-Learn, PyTorch, and other libraries for large datasets. Dedicated chapters explore scaling regression, classification, hyperparameter tuning, feature engineering, and more with clear examples. You'll also learn to tap into the power of GPUs with Dask, RAPIDS, and Google JAX for orders of magnitude speedups. This book places special emphasis on practical use cases related to scalability and distributed computing. You'll learn Dask patterns for cluster computing, managing resources efficiently, and robust data pipelines. The advanced chapters on DaskML and deep learning showcase how to build scalable models with PyTorch and TensorFlow. With this book, you'll gain practical skills to Accelerate Python workloads with parallel mapping and task scheduling Speed up NumPy, Pandas, Scikit-Learn, PyTorch, and other libraries Build scalable machine learning pipelines for large datasets Leverage GPUs efficiently via Dask, RAPIDS and JAX Manage Dask clusters and workflows for distributed computing Streamline deep learning models with DaskML and DL frameworks Packed with hands-on examples and expert insights, this book provides the complete toolkit to harness Dask's capabilities. It will empower Python programmers, data scientists, and machine learning engineers to achieve faster workflows and operationalize parallel computing.



فهرست مطالب

Parallel Python with Dask
Chapter 1: Introduction to Dask
Chapter 2: Dask Fundamentals
Chapter 3: Batch Data Parallel Processing with Dask
Chapter 4: Distributed Systems and Dask
Chapter 5: Advanced Dask: APIs and Building Blocks
Chapter 6: Integrated Libraries: Dask with Pandas
Chapter 7: Integrated Libraries: Dask with Scikit-learn
Chapter 8: Integrated Libraries: Dask and PyTorch
Chapter 9: Dask with GPUs
Chapter 10: Scaling Machine Learning Projects with Dask
Thank You
Index




نظرات کاربران