دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Holden Karau, Mika Kimmins سری: ISBN (شابک) : 9781098119874 ناشر: O'Reilly Media, Inc. سال نشر: 2023 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 Mb
در صورت تبدیل فایل کتاب Scaling Python with Dask 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 مقیاس گذاری پایتون با Dask 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.
Dask یک کتابخانه رایگان و منبع باز برای محاسبات موازی در پایتون است که به شما کمک میکند تا گردشهای کاری علم داده و یادگیری ماشین خود را مقیاسبندی کنید. با این منبع سریع اما کامل، دانشمندان داده و برنامه نویسان پایتون یاد خواهند گرفت که چگونه Dask API هایی را ارائه می دهد که موازی کردن کتابخانه های PyData مانند NumPy، پانداها و scikit-learn را آسان می کند. نویسنده هولدن کارائو به شما نشان میدهد که چگونه میتوانید از محاسبات Dask در سیستمهای محلی استفاده کنید و سپس برای بارهای کاری سنگینتر به فضای ابری تبدیل شوید. این کتاب کاربردی توضیح میدهد که چرا Dask در بین کارشناسان و دانشگاهیان صنعت محبوب است و توسط سازمانهایی مانند Walmart، Capital One، دانشکده پزشکی هاروارد و ناسا استفاده میشود. با این کتاب، شما در مورد Dask چیست، کجا می توانید از آن استفاده کنید و چگونه با ابزارهای دیگر مقایسه می شود پردازش موازی داده های دسته ای مفاهیم کلیدی سیستم توزیع شده برای کاربران Dask API های سطح بالاتر و بلوک های ساختمانی کتابخانه های یکپارچه، مانند scikit-learn، پانداها و PyTorch نحوه استفاده از Dask با GPU
Dask is a free and open source library for parallel computing in Python that helps you scale your data science and machine learning workflows. With this quick but thorough resource, data scientists and Python programmers will learn how Dask provides APIs that make it easy to parallelize PyData libraries like NumPy, pandas, and scikit-learn. Author Holden Karau shows you how you can use Dask computations in local systems and then scale to the cloud for heavier workloads. This practical book explains why Dask is popular among industry experts and academics and used by organizations that include Walmart, Capital One, Harvard Medical School, and NASA. With this book, you'll learn about What is Dask is, where you can use it, and how it compares to other tools Batch data parallel processing Key distributed system concepts for Dask users Higher-level APIs and building blocks Integrated libraries, such as scikit-learn, pandas, and PyTorch How to use Dask with GPUs