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 Practical Concurrent Haskell: With Big Data Applications

دانلود کتاب Haskell همزمان عملی: با برنامه های داده بزرگ

Practical Concurrent Haskell: With Big Data Applications

مشخصات کتاب

Practical Concurrent Haskell: With Big Data Applications

دسته بندی: برنامه نويسي
ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 1484227808, 9781484227800 
ناشر: Apress 
سال نشر: 2017 
تعداد صفحات: 269 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 37,000



کلمات کلیدی مربوط به کتاب Haskell همزمان عملی: با برنامه های داده بزرگ: برنامه نویسی تابعی، علم داده، تجزیه و تحلیل داده، تجزیه و تحلیل، علم، داده



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Practical Concurrent Haskell: With Big Data Applications 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 Haskell همزمان عملی: با برنامه های داده 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 Haskell همزمان عملی: با برنامه های داده بزرگ

یاد بگیرید که از API ها و چارچوب ها برای برنامه های موازی و همزمان در Haskell استفاده کنید. این کتاب به شما نشان می دهد که چگونه از پردازنده های چند هسته ای با کمک موازی سازی به منظور افزایش عملکرد برنامه های خود بهره برداری کنید.
Practical Concurrent Haskell به شما می آموزد که چگونه همزمانی به شما امکان می دهد برنامه هایی را با استفاده از رشته ها برای تعاملات متعدد بنویسید. پس از انجام این کار، شما آماده خواهید بود تا با برنامه های کاربردی در رایانش ابری و داده های بزرگ، به سمت توسعه برنامه و قابلیت حمل و نقل حرکت کنید. شما از MapReduce و دیگر ابزارهای کلان داده مشابه به عنوان بخشی از توسعه برنامه های کاربردی Haskell کلان داده خود استفاده خواهید کرد.
آنچه یاد خواهید گرفت
برنامه با Haskell


همزمانی با Haskell را مهار کنید


استفاده از Haskell برای داده‌های بزرگ و برنامه‌های رایانش ابری


استفاده از الگوهای طراحی همزمان Haskell در داده‌های بزرگ


پردازش تکراری داده‌ها را با استفاده از داده‌های بزرگ انجام دهید Haskell


از MapReduce استفاده کنید و با Haskell روی خوشه های بزرگ کار کنید

این کتاب برای چه کسانی است
کسانی که حداقل برخی از تجربه‌های قبلی با Haskell و برخی تجربه‌های قبلی با داده‌های بزرگ در زبان برنامه‌نویسی دیگری مانند جاوا، سی شارپ، پایتون یا سی پلاس پلاس.


توضیحاتی درمورد کتاب به خارجی

Learn to use the APIs and frameworks for parallel and concurrent applications in Haskell. This book will show you how to exploit multicore processors with the help of parallelism in order to increase the performance of your applications.
Practical Concurrent Haskell teaches you how concurrency enables you to write programs using threads for multiple interactions. After accomplishing this, you will be ready to make your move into application development and portability with applications in cloud computing and big data. You'll use MapReduce and other, similar big data tools as part of your Haskell big data applications development.
What You'll Learn
Program with Haskell


Harness concurrency to Haskell


Apply Haskell to big data and cloud computing applications


Use Haskell concurrency design patterns in big data


Accomplish iterative data processing on big data using Haskell


Use MapReduce and work with Haskell on large clusters

Who This Book Is For
Those with at least some prior experience with Haskell and some prior experience with big data in another programming language such as Java, C#, Python, or C++.



فهرست مطالب

Brief Contents
Contents
--- Haskell Foundations
Introduction
	What Is Haskell?
	A Little Bit of Haskell History
	The Cloud and Haskell
	Book Structure
	Summary
Programming with Haskell
	Functional vs. Object-Oriented Programming
	Language Basics
	Types
	Input/Output (IO) Mechanisms
	Modules
	Advanced Types
	Monads
	Other Advanced Techniques
	Summary
Parallelism & Concurrency
	Annotating the Code for Parallelism
	Parallelism for Dataflow
	Concurrent Servers for a Network
	Threads for Parallel Programming
	Threads and MVars
	Distributed Programming
	Eval Monad for Parallelism
	Summary
Strategies in Evaluation Process
	Redexes and Lazy Evaluation
	Parallel Strategies in Haskell
	Summary
Exceptions
	Errors
	Exceptions
	Summary
Cancellation
	Asynchronous Exceptions
	Using Asynchronous Exceptions with mask
	Extending the bracket Function
	Writing Safe Channels Using Asynchronous Exceptions
	timeout Variants
	Catching Asynchronous Exceptions
	mask and forkIO Operations
	Summary
Transactional Memory Case Studies
	Transactions
	Software Transactional Memory in Haskell
	Summary
Debugging Techniques in Big Data
	Data Science
	Big Data
	Haskell vs. Data Science
	Debugging Tehniques
	Summary
--- Big Data & Cloud Computing
Haskell in the Cloud
	Processes and Messages
	Matching Without Blocking
	Messages Within Channels
	Summary
Haskell in Big Data
	More About Big Data
	MapReduce in Haskell
	Summary
Concurrency Design Patterns
	Active Object
	Balking Pattern
	Barrier
	Disruptor
	Double-Checked Locking
	Guarded Suspension
	Monitor Object
	Reactor Pattern
	Scheduler Pattern
	Thread Pool Pattern
	Summary
Large-Scale Design
	The Type System
	Purity
	Monads for Structuring
	Type Classes and Existential Types
	Concurrency and Parallelism
	Use of FFI
	The Profiler
	Refactor
	Summary
Shared Memory Approach for Hadoop Streaming Performance
	Hadoop
	Hadoop Streaming
	An Improved Streaming Model
	Hadoop Streaming in Haskell
	Summary
Interactive Debugger for Development & Portability Applications based on Big Data
	Approaches to Run-Time Type Reconstruction
	Run-Time Type Inference
	RTTI and New Types
	Termination and Efficiency
	Practical Concerns
	Implementation in Haskell
	Summary
Iterative Data Processing on Big Data
	Programming Model
	Loop-Aware Task Scheduling
	Inter-Iteration Locality
	Experimental Tests and Implementation
	Summary
MapReduce
	Incremental and Iterative Techniques
	Iterative Computation in MapReduce
	Incremental Iterative Processing on MRBGraph
	Summary
Big Data & Large Clusters
	Programming Model
	Master Data Structures
	Fault Tolerance
	Locality
	Task Granularity
	Backup Tasks
	Partitioning Function
	Implementation of Data Processing Techniques
	Summary
Biblio
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی