Scala: Guide for Data Science Professionals

ویرایش: 1 
نویسندگان: Pascal Bugnion,  Arun Manivannan,  Patrick R. Nicolas  
سری:  
ISBN (شابک) : 9781787282858 
ناشر: Packt Publishing 
سال نشر: 2017 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 18 مگابایت 

قیمت کتاب (تومان) : 52,000



Scala ابزار ارزشمندی خواهد بود که در طول سفر علم داده شما برای همه چیز از تمیز کردن داده تا یادگیری ماشینی پیشرفته وجود دارد

درباره این کتاب

• ایجاد علم داده و راه حل های مهندسی داده به آسانی
• نگاهی عمیق به هر مرحله از فرآیند تجزیه و تحلیل داده ها - از خواندن و جمع آوری داده ها تا تجزیه و تحلیل های توزیع شده
• طیف گسترده ای از پردازش داده ها، یادگیری ماشینی و الگوریتم های ژنتیک را از طریق نمودارها، فرمول های ریاضی و کد منبع کاوش کنید

این کتاب برای چه کسی است

این مسیر یادگیری برای کسانی که با برنامه نویسی اسکالا راحت هستند و اکنون می خواهند وارد حوزه علم داده شوند عالی است. مقداری دانش از آمار انتظار می‌رود.

چه خواهید آموخت

• برای استخراج ویژگی‌های یادگیری ماشینی، داده‌های جدولی را انتقال داده و فیلتر کنید.
• خواندن، پاک کردن، تبدیل، و نوشتن داده‌ها در پایگاه‌های داده SQL و NoSQL
• ایجاد برنامه‌های کاربردی وب Scala که با کتابخانه‌های جاوا اسکریپت مانند D3 برای ایجاد تجسم‌های تعاملی قانع‌کننده ترکیب می‌شوند
• داده‌ها را از HDFS و HIVE به راحتی بارگیری کنید.
• اجرای جریان و تجزیه و تحلیل نمودار در Spark برای تجزیه و تحلیل اکتشافی
• با استقرار مشاغل Spark در انواع مختلفی از مدیران خوشه
• برنامه‌ریزی و افزایش مقیاس کاری محاسبات علمی
• از کتابخانه های منبع باز برای استخراج الگوها از سری های زمانی استفاده کنید
• مسلط بر مدل های احتمالی برای داده های متوالی

در جزئیات

< p>Scala مخصوصاً برای تجزیه و تحلیل مجموعه‌های بزرگی از داده‌ها خوب است، زیرا مقیاس کار تأثیر قابل‌توجهی بر عملکرد ندارد. کتابخانه‌های کاربردی قدرتمند Scala می‌توانند با پایگاه‌های داده تعامل داشته باشند و چارچوب‌های مقیاس‌پذیر بسازند - که منجر به ایجاد خطوط لوله داده قوی می‌شود.

اولین ماژول شما را با کتابخانه‌های Scala برای جذب، ذخیره، دستکاری، پردازش و تجسم داده‌ها آشنا می‌کند. با استفاده از مثال‌های دنیای واقعی، یاد خواهید گرفت که چگونه معماری مقیاس‌پذیر را برای پردازش و مدل‌سازی داده‌ها طراحی کنید - از ساختارهای همزمان ساده و پیشرفت به سیستم‌های بازیگر و Apache Spark. پس از این، نحوه ایجاد تجسم های تعاملی با چارچوب های وب را نیز یاد خواهید گرفت.

وقتی با تمام وظایف مربوط به علم داده آشنا شدید، تجزیه و تحلیل داده ها را با Scala در ماژول دوم بررسی خواهید کرد. خواهید دید که چگونه می توان از Scala برای درک داده ها از طریق دستور العمل های ساده استفاده کرد. شما در مورد اتصالات بوکه برای تجزیه و تحلیل داده های اکتشافی و یادگیری ماشینی اساسی با الگوریتم ها با کتابخانه Spark ML آشنا خواهید شد. شما درک کافی از جریان اسپارک، یادگیری ماشینی برای جریان داده‌ها، و Spark graphX ​​به دست خواهید آورد.

با داشتن درک محکمی از تجزیه و تحلیل داده‌ها، آماده خواهید بود تا پیشرفته‌ترین جنبه‌های آن را کشف کنید. علم داده - یادگیری ماشینی ماژول نهایی A تا Z یادگیری ماشین را با Scala به شما آموزش می دهد. شما Scala را برای تزریق وابستگی و مفاهیم ضمنی که برای نوشتن الگوریتم‌های یادگیری ماشین استفاده می‌شوند، بررسی خواهید کرد. همچنین موضوعات یادگیری ماشینی مانند خوشه‌بندی، کاهش ابعاد، Naive Bayes، مدل‌های رگرسیون، SVM، شبکه‌های عصبی و موارد دیگر را کاوش خواهید کرد.

این مسیر یادگیری برخی از بهترین‌هایی را که Packt ارائه می‌کند ترکیب می‌کند. یک بسته کامل و منتخب این شامل محتوای محصولات Packt زیر است:

• Scala for Data Science، Pascal Bugnion
• Scala Data Analysis Cookbook، Arun Manivannan
• Scala for Machine یادگیری، پاتریک آر. نیکلاس

سبک و رویکرد

یک بسته کامل با تمام اطلاعات لازم برای شروع سریع ساختن راه حل های مفید مهندسی داده و علم داده. این شامل مجموعه ای متنوع از دستور العمل ها است که طیف کاملی از وظایف جالب تجزیه و تحلیل داده ها را پوشش می دهد و به شما کمک می کند تا مهارت های تجزیه و تحلیل داده خود را با استفاده از Scala متحول کنید.

Scala will be a valuable tool to have on hand during your data science journey for everything from data cleaning to cutting-edge machine learning

About This Book

• Build data science and data engineering solutions with ease
• An in-depth look at each stage of the data analysis process — from reading and collecting data to distributed analytics
• Explore a broad variety of data processing, machine learning, and genetic algorithms through diagrams, mathematical formulations, and source code

Who This Book Is For

This learning path is perfect for those who are comfortable with Scala programming and now want to enter the field of data science. Some knowledge of statistics is expected.

What You Will Learn

• Transfer and filter tabular data to extract features for machine learning
• Read, clean, transform, and write data to both SQL and NoSQL databases
• Create Scala web applications that couple with JavaScript libraries such as D3 to create compelling interactive visualizations
• Load data from HDFS and HIVE with ease
• Run streaming and graph analytics in Spark for exploratory analysis
• Bundle and scale up Spark jobs by deploying them into a variety of cluster managers
• Build dynamic workflows for scientific computing
• Leverage open source libraries to extract patterns from time series
• Master probabilistic models for sequential data

In Detail

Scala is especially good for analyzing large sets of data as the scale of the task doesn't have any significant impact on performance. Scala's powerful functional libraries can interact with databases and build scalable frameworks — resulting in the creation of robust data pipelines.

The first module introduces you to Scala libraries to ingest, store, manipulate, process, and visualize data. Using real world examples, you will learn how to design scalable architecture to process and model data — starting from simple concurrency constructs and progressing to actor systems and Apache Spark. After this, you will also learn how to build interactive visualizations with web frameworks.

Once you have become familiar with all the tasks involved in data science, you will explore data analytics with Scala in the second module. You'll see how Scala can be used to make sense of data through easy to follow recipes. You will learn about Bokeh bindings for exploratory data analysis and quintessential machine learning with algorithms with Spark ML library. You'll get a sufficient understanding of Spark streaming, machine learning for streaming data, and Spark graphX.

Armed with a firm understanding of data analysis, you will be ready to explore the most cutting-edge aspect of data science — machine learning. The final module teaches you the A to Z of machine learning with Scala. You'll explore Scala for dependency injections and implicits, which are used to write machine learning algorithms. You'll also explore machine learning topics such as clustering, dimentionality reduction, Naive Bayes, Regression models, SVMs, neural networks, and more.

This learning path combines some of the best that Packt has to offer into one complete, curated package. It includes content from the following Packt products:

• Scala for Data Science, Pascal Bugnion
• Scala Data Analysis Cookbook, Arun Manivannan
• Scala for Machine Learning, Patrick R. Nicolas

Style and approach

A complete package with all the information necessary to start building useful data engineering and data science solutions straight away. It contains a diverse set of recipes that cover the full spectrum of interesting data analysis tasks and will help you revolutionize your data analysis skills using Scala.