Scala:Applied Machine Learning

از قدرت اسکالا استفاده کنید و با استفاده از پیشرفته ترین و بهترین ویژگی های اسکالا بر هنر ساخت، بهبود و اعتبارسنجی برنامه های یادگیری ماشینی مقیاس پذیر و هوش مصنوعی مسلط شوید

درباره این کتاب< /h2>

• روتین های کاربردی و ایمن برای تعامل با پایگاه داده های رابطه ای و NoSQL با کمک آموزش ها و مثال های ارائه شده بسازید
• از تخصص خود در برنامه نویسی Scala برای ایجاد و سفارشی سازی خود استفاده کنید. الگوریتم های یادگیری ماشین مقیاس پذیر خود
• تکنیک های مختلف را آزمایش کنید. مزایا و محدودیت‌های آن‌ها را با استفاده از برنامه‌های مالی دنیای واقعی ارزیابی کنید
• با بهترین شیوه‌ها برای گنجاندن یادگیری ماشینی جدید Big Data در شرکت مبتنی بر داده خود آشنا شوید و مقیاس‌پذیری و نگهداری آینده را به دست آورید

این کتاب برای چه کسی است

این مسیر یادگیری برای مهندسین و دانشمندانی است که با اسکالا آشنا هستند و می‌خواهند یاد بگیرند که چگونه الگوریتم‌های یادگیری ماشین را ایجاد، اعتبارسنجی و به کار ببرند. همچنین به توسعه‌دهندگان نرم‌افزار با سابقه برنامه‌نویسی Scala که می‌خواهند یادگیری ماشینی را اعمال کنند، مفید خواهد بود.

آنچه یاد خواهید گرفت

• برنامه‌های وب Scala را ایجاد کنید که با کتابخانه‌های جاوا اسکریپت ترکیب شوند. به عنوان D3 برای ایجاد تجسم های تعاملی متقاعد کننده
• استقرار برنامه های موازی مقیاس پذیر با استفاده از Apache Spark، بارگیری داده ها از HDFS یا Hive
• حل مشکلات کلان داده با مجموعه های موازی Scala، بازیگران Akka و Apache Spark خوشه ها
• استفاده از استراتژی های کلیدی یادگیری برای انجام تحلیل فنی بازارهای مالی
• درک اصول یادگیری تحت نظارت و بدون نظارت در یادگیری ماشین
• کار با داده های بدون ساختار و سریال سازی آن را با استفاده از Kryo، Protobuf، Avro، و AvroParquet
• ساخت خطوط لوله داده قابل اعتماد و قوی و مدیریت داده ها در یک شرکت داده محور
• پیاده سازی نظارت و هشدارهای مدل مقیاس پذیر با Scala

در جزئیات

این مسیر یادگیری با هدف قرار دادن کل wo rld یادگیری ماشین با Scala در مقابل شما.

Scala for Data Science، اولین ماژول در این دوره، یک راهنمای آموزشی است که آموزش‌هایی را در مورد برخی از رایج‌ترین کتابخانه‌های Scala برای علم داده ارائه می‌دهد و به شما امکان می‌دهد به سرعت به سرعت ساخت علم داده و علم داده برسید. راه‌حل‌های مهندسی داده.

دوره دوم، Scala for Machine Learning شما را در فرآیند ساخت برنامه‌های هوش مصنوعی با نمودارها، نمادهای ریاضی رسمی، تکه‌های کد منبع و نکات مفید راهنمایی می‌کند. مروری بر چارچوب Akka و خوشه‌های Apache Spark آموزش را به پایان می‌رساند.

ماژول بعدی، تسلط بر یادگیری ماشینی Scala، آخرین مرحله در این دوره است. این دانش شما را به سطح بالاتری می برد و به شما کمک می کند از دانش برای ساخت برنامه های کاربردی پیشرفته مانند استخراج رسانه های اجتماعی، پورتال های خبری هوشمند و غیره استفاده کنید. 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 درختان تصمیم بررسی خواهیم کرد.

در پایان این دوره، شما در یادگیری ماشینی Scala استاد خواهید شد و تخصص کافی برای ساختن پیچیده خواهید داشت. پروژه‌های یادگیری ماشینی با استفاده از Scala.

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

• Scala for Data Science، Pascal Bugnion
• Scala for Machine Learning، Patrick Nicolas
• Mastering Scala Machine یادگیری، الکس کوزلوف

سبک و رویکرد

یک آموزش با مثال‌های کامل، این دوره ابزارهایی را در اختیار شما قرار می‌دهد تا فوراً راه‌حل‌های مفید مهندسی داده و علم داده را شروع کنید. این دوره نمونه‌های عملی از این زمینه را در مورد نحوه برخورد صحیح با مشکلات تجزیه و تحلیل داده‌ها، به ویژه برای مجموعه داده‌های کلان مدرن ارائه می‌دهد.

Leverage the power of Scala and master the art of building, improving, and validating scalable machine learning and AI applications using Scala's most advanced and finest features

About This Book

• Build functional, type-safe routines to interact with relational and NoSQL databases with the help of the tutorials and examples provided
• Leverage your expertise in Scala programming to create and customize your own scalable machine learning algorithms
• Experiment with different techniques; evaluate their benefits and limitations using real-world financial applications
• Get to know the best practices to incorporate new Big Data machine learning in your data-driven enterprise and gain future scalability and maintainability

Who This Book Is For

This Learning Path is for engineers and scientists who are familiar with Scala and want to learn how to create, validate, and apply machine learning algorithms. It will also benefit software developers with a background in Scala programming who want to apply machine learning.

What You Will Learn

• Create Scala web applications that couple with JavaScript libraries such as D3 to create compelling interactive visualizations
• Deploy scalable parallel applications using Apache Spark, loading data from HDFS or Hive
• Solve big data problems with Scala parallel collections, Akka actors, and Apache Spark clusters
• Apply key learning strategies to perform technical analysis of financial markets
• 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 Scala

In Detail

This Learning Path aims to put the entire world of machine learning with Scala in front of you.

Scala for Data Science, the first module in this course, is a tutorial guide that provides tutorials on some of the most common Scala libraries for data science, allowing you to quickly get up to speed building data science and data engineering solutions.

The second course, Scala for Machine Learning guides you through the process of building AI applications with diagrams, formal mathematical notation, source code snippets, and useful tips. A review of the Akka framework and Apache Spark clusters concludes the tutorial.

The next module, Mastering Scala Machine Learning, is the final step in this course. It will take your knowledge to next level and help you use the 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.

By the end of this course, you will be a master at Scala machine learning and have enough expertise to be able to build complex machine learning projects using Scala.

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

• Scala for Data Science, Pascal Bugnion
• Scala for Machine Learning, Patrick Nicolas
• Mastering Scala Machine Learning, Alex Kozlov

Style and approach

A tutorial with complete examples, this course will give you the tools to start building useful data engineering and data science solutions straightaway. This course provides practical examples from the field on how to correctly tackle data analysis problems, particularly for modern Big Data datasets.