دانلود کتاب Interactive Spark using PySpark – جرقه تعاملی با استفاده از pyspark

• توضیحات
• نظرات (0)

Abstract: Apache Spark is an in-memory framework that allows data scientists to explore and interact with big data much more quickly than with Hadoop. Python users can work with Spark using an interactive shell called PySpark. Why is it important? PySpark makes the large-scale data processing capabilities of Apache Spark accessible to data scientists who are more familiar with Python than Scala or Java. This also allows for reuse of a wide variety of Python libraries for machine learning, data visualization, numerical analysis, etc. What you’ll learnand how you can apply it Compare the different components provided by Spark, and what use cases they fit. Learn how to use RDDs (resilient distributed datasets) with PySpark. Write Spark applications in Python and submit them to the cluster as Spark jobs. Get an introduction to the Spark computing framework. Apply this approach to a worked example to determine the most frequent airline delays in a specific month and year. This lesson is for you because You’re a data scientist, familiar with Python coding, who needs to get up and running with PySpark You’re a Python developer who needs to leverage the distributed computing resources available on a Hadoop cluster, without learning Java or Scala first Prerequisites Familiarity with writing Python applications Some familiarity with bash command-line operations Basic understanding of how to use simple functional programming constructs in Python, such as closures, lambdas, maps, etc. Materials or downloads needed in advance Apache Spark This lesson is taken from Data Analytics with Hadoop by Jenny Kim and Benjamin Bengfort

————————————————————–

ترجمه ماشینی :

Apache Spark یک چارچوب در حافظه است که به دانشمندان داده اجازه می دهد خیلی سریعتر از Hadoop با داده های بزرگ کشف و تعامل داشته باشند. کاربران پایتون می توانند با استفاده از یک پوسته تعاملی به نام Pyspark با جرقه کار کنند. چرا مهم است؟ Pyspark باعث می شود قابلیت های پردازش داده های در مقیاس بزرگ Apache Spark در دسترس دانشمندان داده ای باشد که بیشتر از Scala یا Java با پایتون آشنا هستند. این همچنین اجازه می دهد تا استفاده مجدد از طیف گسترده ای از کتابخانه های پایتون برای یادگیری ماشین ، تجسم داده ها ، تجزیه و تحلیل عددی و غیره. مؤلفه های مختلف ارائه شده توسط Spark را مقایسه کنید و مواردی را که از آنها استفاده می کنند ، مقایسه کنید. نحوه استفاده از RDDS (مجموعه داده های توزیع شده انعطاف پذیر) را با Pyspark بیاموزید. برنامه های Spark را در پایتون بنویسید و آنها را به عنوان Gark Jobs به خوشه ارسال کنید. مقدمه ای در چارچوب محاسبات Spark دریافت کنید. برای تعیین شایع ترین تأخیرهای هواپیمایی در یک ماه و سال خاص ، این رویکرد را در یک مثال کار شده اعمال کنید. این درس برای شما مناسب است زیرا شما یک دانشمند داده هستید ، با برنامه نویسی پایتون آشنا هستید ، که باید با Pyspark از خواب برخاست و اجرا کنید ، شما یک توسعه دهنده پایتون هستید که باید بدون یادگیری جاوا ، منابع محاسباتی توزیع شده موجود در یک خوشه Hadoop را اهرم کنید. یا Scala ابتدا پیش نیاز با نوشتن برنامه های پایتون را با هم آشنایی با عملیات خط فرمان BASH درک اساسی در مورد نحوه استفاده از سازه های برنامه نویسی ساده کاربردی در پایتون ، مانند بسته شدن ، لامبدا ، نقشه ها ، و غیره. از تجزیه و تحلیل داده ها با Hadoop توسط Jenny Kim و Benjamin Bengfort گرفته شده است. چکیده: Apache Spark یک چارچوب در حافظه است که به دانشمندان داده اجازه می دهد خیلی سریعتر از Hadoop با داده های بزرگ کشف و تعامل داشته باشند. کاربران پایتون می توانند با استفاده از یک پوسته تعاملی به نام Pyspark با جرقه کار کنند. چرا مهم است؟ Pyspark باعث می شود قابلیت های پردازش داده های در مقیاس بزرگ Apache Spark در دسترس دانشمندان داده ای باشد که بیشتر از Scala یا Java با پایتون آشنا هستند. این همچنین امکان استفاده مجدد از طیف گسترده ای از کتابخانه های پایتون را برای یادگیری ماشین ، تجسم داده ها ، تجزیه و تحلیل عددی و غیره فراهم می کند. آنچه را که می توانید یاد بگیرید چگونه می توانید آن را به کار بگیرید و آن را با مقایسه اجزای مختلف ارائه شده توسط Spark مقایسه کنید و مواردی را که از آنها استفاده می کنند ، استفاده کنید. نحوه استفاده از RDDS (مجموعه داده های توزیع شده انعطاف پذیر) را با Pyspark بیاموزید. برنامه های Spark را در پایتون بنویسید و آنها را به عنوان Gark Jobs به خوشه ارسال کنید. مقدمه ای در چارچوب محاسبات Spark دریافت کنید. برای تعیین شایع ترین تأخیرهای هواپیمایی در یک ماه و سال خاص ، این رویکرد را در یک مثال کار شده اعمال کنید. این درس برای شما مناسب است زیرا شما یک دانشمند داده هستید ، با برنامه نویسی پایتون آشنا هستید ، که باید با Pyspark از خواب برخاست و اجرا کنید ، شما یک توسعه دهنده پایتون هستید که باید بدون یادگیری جاوا ، منابع محاسباتی توزیع شده موجود در یک خوشه Hadoop را اهرم کنید. یا Scala ابتدا پیش نیاز با نوشتن برنامه های پایتون را با هم آشنایی با عملیات خط فرمان BASH درک اساسی در مورد نحوه استفاده از سازه های برنامه نویسی ساده کاربردی در پایتون ، مانند بسته شدن ، لامبدا ، نقشه ها ، و غیره. از تجزیه و تحلیل داده ها با Hadoop توسط جنی کیم و بنیامین بنگفورت گرفته شده است

tag : دانلود کتاب جرقه تعاملی با استفاده از pyspark , Download جرقه تعاملی با استفاده از pyspark , دانلود جرقه تعاملی با استفاده از pyspark , Download Interactive Spark using PySpark Book , جرقه تعاملی با استفاده از pyspark دانلود , buy جرقه تعاملی با استفاده از pyspark , خرید کتاب جرقه تعاملی با استفاده از pyspark , دانلود کتاب Interactive Spark using PySpark , کتاب Interactive Spark using PySpark , دانلود Interactive Spark using PySpark , خرید Interactive Spark using PySpark , خرید کتاب Interactive Spark using PySpark ,