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
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Amit Nandi سری: ISBN (شابک) : 9781784399696 ناشر: Packt Publishing سال نشر: 2015 تعداد صفحات: 206 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب جرقه برای توسعه دهندگان Python: یک راهنمای مختصر برای پیاده سازی تجزیه و تحلیل داده های بزرگ داده Spark برای توسعه دهندگان Python ، و ساخت یک برنامه فشرده داده های ردیاب روند واقعی و بصیرت: کتابخانه، ادبیات کامپیوتر، پایتون
در صورت تبدیل فایل کتاب Spark for Python Developers: A concise guide to implementing Spark Big Data analytics for Python developers, and building a real-time and insightful trend tracker data intensive app 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 جرقه برای توسعه دهندگان Python: یک راهنمای مختصر برای پیاده سازی تجزیه و تحلیل داده های بزرگ داده Spark برای توسعه دهندگان Python ، و ساخت یک برنامه فشرده داده های ردیاب روند واقعی و بصیرت 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.
به دنبال یک سیستم محاسباتی خوشه ای هستید که API های سطح بالا را ارائه دهد؟ آپاچی اسپارک پاسخ شماست – یک سیستم محاسباتی خوشه ای منبع باز، سریع و عمومی. حافظه اولیه چند مرحله ای Spark عملکردی تا 100 برابر سریعتر از Hadoop ارائه می دهد و همچنین برای الگوریتم های یادگیری ماشینی مناسب است. آیا شما یک توسعه دهنده پایتون هستید که تمایل به کار با موتور اسپارک دارید؟ اگر چنین است، این کتاب همراه شما خواهد بود زیرا با استفاده از Spark به عنوان یک موتور پردازش، کتابخانههای تجسم Python و چارچوبهای وب مانند Flask، برنامهای با داده فشرده ایجاد میکنید. برای شروع، شما موثرترین راه را برای نصب محیط توسعه پایتون که توسط Spark، Blaze و Bookeh طراحی شده است، خواهید آموخت. سپس نحوه ارتباط با فروشگاه های داده مانند MySQL، MongoDB، Cassandra و Hadoop را خواهید یافت. شما مهارت های خود را در سراسر جهان گسترش خواهید داد، با منابع داده های مختلف (Github، Twitter، Meetup، و Blogs)، ساختارهای داده آنها و راه حل هایی برای مقابله موثر با پیچیدگی ها آشنا می شوید. شما مجموعه دادهها را با استفاده از iPython Notebook کاوش خواهید کرد و نحوه بهینهسازی مدلهای داده و خط لوله را کشف خواهید کرد. در نهایت، با نحوه ایجاد مجموعه داده های آموزشی و آموزش مدل های یادگیری ماشین آشنا خواهید شد. در پایان کتاب، شما یک برنامه ردیاب روند در زمان واقعی و روشنگر با داده فشرده با Spark ایجاد خواهید کرد.
Looking for a cluster computing system that provides high-level APIs? Apache Spark is your answer—an open source, fast, and general purpose cluster computing system. Spark's multi-stage memory primitives provide performance up to 100 times faster than Hadoop, and it is also well-suited for machine learning algorithms. Are you a Python developer inclined to work with Spark engine? If so, this book will be your companion as you create data-intensive app using Spark as a processing engine, Python visualization libraries, and web frameworks such as Flask. To begin with, you will learn the most effective way to install the Python development environment powered by Spark, Blaze, and Bookeh. You will then find out how to connect with data stores such as MySQL, MongoDB, Cassandra, and Hadoop. You'll expand your skills throughout, getting familiarized with the various data sources (Github, Twitter, Meetup, and Blogs), their data structures, and solutions to effectively tackle complexities. You'll explore datasets using iPython Notebook and will discover how to optimize the data models and pipeline. Finally, you'll get to know how to create training datasets and train the machine learning models. By the end of the book, you will have created a real-time and insightful trend tracker data-intensive app with Spark.