توضیحات
The burgeoning volume and complexity of data make scalability and reliability increasingly challenging issues. But while modern systems contain multicore CPUs and GPUs that have the potential for parallel computing, many Python tools weren’t designed to leverage this parallelism. Using Dask to parallelize Python workflows delivers a competitive advantage by reducing turnaround time, freeing you to work on more interesting or complex data problems.
With this essential guide at your side, you’ll be able to:
Deploy Dask on the cloud or on-prem
Scale your Python code to bigger datasets and CPU-intensive workflows
Speed up data pipelines that often take weeks or months to execute
Overcome the limits of serial computing on your local machine (or system of machines)
Use the examples provided to scale your workflows, whether you’re working with NumPy, pandas, scikit-learn, PyTorch, XGBoost, or other tools
Develop a specialized data science library that leverages parallel and distributed computing
Scale computations to a cluster of machines and to the cloud securely and efficiently
————————————————————–
ترجمه ماشینی :
حجم رو به رشد و پیچیدگی داده ها، مقیاس پذیری و قابلیت اطمینان را به طور فزاینده ای مسائل چالش برانگیز می کند. اما در حالی که سیستمهای مدرن شامل CPU و GPUهای چند هستهای هستند که پتانسیل محاسبات موازی را دارند، بسیاری از ابزارهای پایتون برای استفاده از این موازیسازی طراحی نشدهاند. استفاده از Dask برای موازی کردن گردشهای کاری پایتون مزیت رقابتی را با کاهش زمان چرخش به ارمغان میآورد و شما را آزاد میکند تا روی مسائل جالبتر یا پیچیدهتر داده کار کنید. با داشتن این راهنمای ضروری در کنار شما، میتوانید: \ Dask را در فضای ابری یا روی پرم اجرا کنید کد پایتون خود را به مجموعه دادههای بزرگتر و جریانهای کاری فشردهتر CPU تغییر دهید \ خطوط لوله داده را که اغلب هفتهها طول میکشد را سرعت دهید. یا ماه ها برای اجرا بر محدودیت های محاسبات سریال در ماشین محلی خود (یا سیستم ماشین ها) غلبه کنید از مثال های ارائه شده برای مقیاس بندی گردش کار خود استفاده کنید، چه با NumPy، پانداها، scikit-learn، PyTorch، XGBoost، یا ابزارهای دیگر توسعه یک کتابخانه تخصصی علوم داده که از محاسبات موازی و توزیع شده استفاده می کند محاسبات مقیاس را برای مجموعه ای از ماشین ها و ابر به طور ایمن و کارآمد
tag : دانلود کتاب Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) , Download Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) , دانلود Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) , Download Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) Book , Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) دانلود , buy Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) , خرید کتاب Dask: The Definitive Guide – Scalable Data Science Python with Dask (Early Release 1) , دانلود کتاب Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) , کتاب Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) , دانلود Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) , خرید Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) , خرید کتاب Dask: The Definitive Guide – Scalable Python Data Science with Dask (Early Release 1) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.