دانلود کتاب Mastering Scala machine learning – تسلط بر یادگیری ماشینی اسکالا

توضیحات

Advance your skills in efficient data analysis and data processing using the powerful tools of Scala, Spark, and HadoopAbout This Book*This is a primer on functional-programming-style techniques to help you efficiently process and analyze all of your data*Get acquainted with the best and newest tools available such as Scala, Spark, Parquet and MLlib for machine learning*Learn the best practices to incorporate new Big Data machine learning in your data-driven enterprise to gain future scalability and maintainabilityWho This Book Is ForMastering Scala Machine Learning is intended for enthusiasts who want to plunge into the new pool of emerging techniques for machine learning. Some familiarity with standard statistical techniques is required. What You Will Learn*Sharpen your functional programming skills in Scala using REPL*Apply standard and advanced machine learning techniques using Scala*Get acquainted with Big Data technologies and grasp why we need a functional approach to Big Data*Discover new data structures, algorithms, approaches, and habits that will allow you to work effectively with large amounts of data*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 ScalaIn DetailSince the advent of object-oriented programming, new technologies related to Big Data are constantly popping up on the market. One such technology is Scala, which is considered to be a successor to Java in the area of Big Data by many, like Java was to C/C++ in the area of distributed programing. This book aims to take your knowledge to next level and help you impart that 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. Most of the data that we produce today is unstructured and raw, and you will learn to tackle this type of data with advanced topics such as regression, classification, integration, and working with graph algorithms. Finally, you will discover at how to use Scala to perform complex concept analysis, to monitor model performance, and to build a model repository. By the end of this book, you will have gained expertise in performing Scala machine learning and will be able to build complex machine learning projects using Scala.;Cover; Copyright; Credits; About the Author; Acknowlegement; www.PacktPub.com; Table of Contents; Preface; Chapter 1: Exploratory Data Analysis; Getting started with Scala; Distinct values of a categorical field; Summarization of a numeric field; Grepping across multiple fields; Basic, stratified, and consistent sampling; Working with Scala and Spark Notebooks; Basic correlations; Summary; Chapter 2: Data Pipelines and Modeling; Influence diagrams; Sequential trials and dealing with risk; Exploration and exploitation; Unknown unknowns; Basic components of a data-driven system; Data ingest.

————————————————————–

ترجمه ماشینی :

مهارت های خود را در تجزیه و تحلیل کارآمد داده ها و پردازش داده ها با استفاده از ابزارهای قدرتمند Scala، Spark و HadoopAbout This Book تقویت کنید*این مقدمه ای در مورد تکنیک های سبک برنامه نویسی کاربردی است که به شما کمک می کند تا به طور کارآمد تمام داده های خود را پردازش و تجزیه و تحلیل کنید*آشنایی با بهترین و جدیدترین ابزارهای موجود مانند Scala، Spark، Parquet و MLlib برای یادگیری ماشینی *با بهترین شیوه ها برای ترکیب یادگیری ماشینی جدید Big Data در شرکت مبتنی بر داده خود برای دستیابی به مقیاس پذیری و قابلیت نگهداری در آینده آشنا شوید. برای علاقه مندانی که می خواهند در استخر جدید تکنیک های نوظهور برای یادگیری ماشین غوطه ور شوند در نظر گرفته شده است. آشنایی با تکنیک های آماری استاندارد لازم است. آنچه یاد خواهید گرفت*مهارت های برنامه نویسی عملکردی خود را در اسکالا با استفاده از REPL تقویت کنید*تکنیک های استاندارد و پیشرفته یادگیری ماشین را با استفاده از Scala به کار ببرید*با فناوری های Big Data آشنا شوید و درک کنید که چرا ما به یک رویکرد کاربردی برای Big Data نیاز داریم* ساختارهای داده، الگوریتم های جدید را کشف کنید. رویکردها و عاداتی که به شما امکان می دهد با حجم زیادی از داده ها به طور مؤثر کار کنید * اصول یادگیری تحت نظارت و بدون نظارت در یادگیری ماشین را بدانید * با داده های بدون ساختار کار کنید و آن ها را با استفاده از Kryo، Protobuf، Avro و AvroParquet سریال کنید * ساخت قابل اعتماد و قوی خطوط لوله داده و مدیریت داده ها در یک شرکت مبتنی بر داده*پیاده سازی نظارت و هشدارهای مدل مقیاس پذیر با ScalaIn Detailاز زمان ظهور برنامه نویسی شی گرا، فناوری های جدید مرتبط با Big Data به طور مداوم در بازار ظاهر می شوند. یکی از این فناوری‌ها Scala است که بسیاری آن را جانشین جاوا در حوزه داده‌های بزرگ می‌دانند، مانند جاوا برای C/C++ در حوزه برنامه‌نویسی توزیع‌شده. هدف این کتاب این است که دانش شما را به سطح بالاتری برساند و به شما کمک کند آن دانش را برای ایجاد برنامه های کاربردی پیشرفته مانند استخراج رسانه های اجتماعی، پورتال های خبری هوشمند و غیره به شما منتقل کند. 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 درخت های تصمیم بررسی می کنیم. بیشتر داده هایی که ما امروز تولید می کنیم بدون ساختار و خام هستند و شما یاد خواهید گرفت که با این نوع داده ها با موضوعات پیشرفته ای مانند رگرسیون، طبقه بندی، ادغام و کار با الگوریتم های گراف مقابله کنید. در نهایت، نحوه استفاده از Scala برای انجام تحلیل مفاهیم پیچیده، نظارت بر عملکرد مدل، و ساخت یک مخزن مدل را خواهید آموخت. در پایان این کتاب، شما در انجام یادگیری ماشینی اسکالا تخصص کسب خواهید کرد و قادر خواهید بود پروژه های پیچیده یادگیری ماشینی را با استفاده از Scala بسازید.;Cover; کپی رایت؛ وام؛ درباره نویسنده؛ تصدیق؛ www.PacktPub.com; فهرست مطالب؛ پیشگفتار؛ فصل 1: تجزیه و تحلیل داده های اکتشافی. شروع کار با اسکالا؛ مقادیر متمایز یک فیلد طبقه بندی شده؛ خلاصه سازی یک فیلد عددی؛ حرکت در زمینه های متعدد. نمونه گیری پایه، طبقه ای و منسجم؛ کار با نوت بوک های اسکالا و اسپارک؛ همبستگی های اساسی؛ خلاصه؛ فصل 2: خطوط لوله داده و مدل سازی. نمودارهای تأثیر؛ آزمایشات متوالی و مقابله با ریسک؛ اکتشاف و بهره برداری؛ مجهولات ناشناخته؛ اجزای اساسی یک سیستم داده محور؛ مصرف داده

tag : دانلود کتاب تسلط بر یادگیری ماشینی اسکالا , Download تسلط بر یادگیری ماشینی اسکالا , دانلود تسلط بر یادگیری ماشینی اسکالا , Download Mastering Scala machine learning Book , تسلط بر یادگیری ماشینی اسکالا دانلود , buy تسلط بر یادگیری ماشینی اسکالا , خرید کتاب تسلط بر یادگیری ماشینی اسکالا , دانلود کتاب Mastering Scala machine learning , کتاب Mastering Scala machine learning , دانلود Mastering Scala machine learning , خرید Mastering Scala machine learning , خرید کتاب Mastering Scala machine learning ,