کدنویسی Spark در عمل، نسخه دوم

پلت فرم پردازش داده جرقه توزیع شده یک ابزار آسان برای پیاده سازی برای مصرف، جریان و پردازش داده ها از هر منبع فراهم می کند. در جرقه در عمل، نسخه دوم، شما یاد خواهید گرفت که از ویژگی های اصلی جرقه و سرعت پردازش باور نکردنی استفاده کنید، با برنامه های کاربردی از جمله محاسبات زمان واقعی، ارزیابی تاخیر و یادگیری ماشین. مهارت های جرقه ای کالاهای داغ در شرکت ها در سراسر جهان هستند و با API های جاوا قدرتمند و انعطاف پذیر جرقه، شما می توانید تمام مزایا را بدون اولین یادگیری Scala یا Hadoop به دست آورید.

عنوان اصلی : Manning - Spark in Action, Second Edition

سرفصل های دوره :

00001 فصل 1. مقدمه ای بر اسپارک آپاچی
00002 فصل 1. آنچه Spark به میز می آورد
00003 فصل 1. اجزای جرقه
00004 فصل 1. جریان برنامه اسپارک
00005 فصل 1. راه اندازی ماشین مجازی spark-in-action
00006 فصل 2. اصول جرقه
00007 فصل 2. استفاده از نصب Hadoop VM
00008 فصل 2. استفاده از پوسته Spark و نوشتن اولین برنامه Spark
00009 فصل 2. اقدامات و تحولات اساسی RDD
00010 فصل 2. استفاده از تبدیل های مشخص و مسطح
00011 فصل 2. به دست آوردن عناصر RDD با نمونه برداری و گرفتن نمونه عملیات
00012 فصل 2. توابع RDD دوگانه
00013 فصل 3. نوشتن برنامه های Spark
00014 فصل 3. توسعه برنامه
00015 فصل 3. اجرای برنامه از Eclipse
00016 فصل 3. متغیرهای پخش
00017 فصل 3. ارسال درخواست
00018 فصل 3. استفاده از spark-submit
00019 فصل 4. Spark API در عمق
00020 فصل 4. توابع اصلی جفت RDD
00021 فصل 4. استفاده از تبدیل flatMapValues ​​برای افزودن مقادیر به کلیدها
00022 فصل 4. درک پارتیشن بندی داده ها و کاهش به هم زدن داده ها
00023 فصل 4. درک و اجتناب از به هم ریختن غیر ضروری
00024 فصل 4. پارتیشن بندی مجدد RDD ها
00025 فصل 4. پیوستن به مرتب سازی و گروه بندی داده ها
00026 فصل 4. پیوستن به داده ها
00027 فصل 4. مرتب سازی داده ها
00028 فصل 4. گروه بندی داده ها
00029 فصل 4. درک وابستگی های RDD
00030 فصل 4. استفاده از انباشته کننده ها و متغیرهای پخش برای برقراری ارتباط با مجریان Spark
00031 فصل 4. ارسال داده به مجریان با استفاده از متغیرهای پخش
00032 فصل 5. جستارهای درخشان با Spark SQL
00033 فصل 5. ایجاد DataFrame از RDD
00034 فصل 5. ایجاد یک DataFrame از یک RDD از تاپل ها
00035 فصل 5. مبانی DataFrame API
00036 فصل 5. استفاده از توابع SQL برای انجام محاسبات روی داده ها
00037 فصل 5. کار با مقادیر از دست رفته
00038 فصل 5. گروه بندی و پیوستن به داده ها
00039 فصل 5. فراتر از DataFrames - معرفی مجموعه داده ها
00040 فصل 5. کاتالوگ جدول و متاستور کندو
00041 فصل 5. اجرای پرس و جوهای SQL
00042 فصل 5. ذخیره و بارگیری داده های DataFrame
00043 فصل 5. ذخیره داده ها
00044 فصل 5. بهینه ساز کاتالیست
00045 فصل 6. مصرف داده با Spark Streaming
00046 فصل 6. ایجاد یک جریان گسسته
00047 فصل 6. ذخیره نتایج در یک فایل
00048 فصل 6. ذخیره حالت محاسبات در طول زمان
00049 فصل 6. مشخص کردن فهرست راهنما
00050 فصل 6. استفاده از عملیات پنجره برای محاسبات با زمان محدود
00051 فصل 6. استفاده از منابع داده خارجی
00052 فصل 6. تغییر برنامه پخش جریانی برای استفاده از کافکا
00053 فصل 6. عملکرد Spark Streaming مشاغل
00054 فصل 6. جریان ساخت یافته
00055 فصل 7. هوشمند شدن با MLlib
00056 فصل 7. طبقه بندی الگوریتم های یادگیری ماشینی
00057 فصل 7. جبر خطی در Spark
00058 فصل 7. ماتریس های توزیع شده
00059 فصل 7. رگرسیون خطی
00060 فصل 7. گسترش مدل به رگرسیون خطی چندگانه
00061 فصل 7. تجزیه و تحلیل و آماده سازی داده ها
00062 فصل 7. برازش و استفاده از مدل رگرسیون خطی
00063 فصل 7. اصلاح الگوریتم
00064 فصل 7. ترسیم قطعات باقیمانده
00065 فصل 7. بهینه سازی رگرسیون خطی
00066 فصل 8. ML - طبقه بندی و خوشه بندی
00067 فصل 8. رگرسیون لجستیک
00068 فصل 8. آماده سازی داده ها برای استفاده از رگرسیون لجستیک در Spark
00069 فصل 8. آموزش مدل
00070 فصل 8. انجام اعتبارسنجی متقاطع k-fold
00071 فصل 8. درختان تصمیم و جنگل های تصادفی
00072 فصل 8. درختان تصمیم
00073 فصل 8. جنگل های تصادفی
00074 فصل 8. استفاده از k-means خوشه بندی
00075 فصل 8. K-به معنای خوشه بندی
00076 فصل 8. خلاصه
00077 فصل 9. اتصال نقاط با GraphX
00078 فصل 9. تبدیل نمودارها
00079 فصل 9. الگوریتم های نمودار
00080 فصل 9. پیاده سازی الگوریتم جستجوی A
00081 فصل 9. پیاده سازی الگوریتم A
00082 فصل 9. خلاصه
00083 فصل 10. Running Spark
00084 فصل 10. زمان‌بندی شغل و منابع
00085 فصل 10. ملاحظات داده-محلی
00086 فصل 10. پیکربندی Spark
00087 فصل 10. Spark web UI
00088 فصل 10. اجرای اسپارک در ماشین محلی
00089 فصل 11. دویدن روی یک خوشه مستقل Spark
00090 فصل 11. شروع خوشه مستقل
00091 فصل 11. مشاهده فرآیندهای Spark
00092 فصل 11. رابط کاربری وب خوشه ای مستقل
00093 فصل 11. مشخص کردن ورودی‌ها و فایل‌های مسیر کلاس اضافی
00094 فصل 11. سرور تاریخچه Spark و ثبت رویداد
00095 فصل 11. Creaایجاد یک خوشه مستقل EC2
00096 فصل 11. استفاده از خوشه EC2
00097 فصل 12. اجرا بر روی YARN و Mesos
00098 فصل 12. زمانبندی منابع در YARN
00099 فصل 12. پیکربندی Spark در YARN
00100 فصل 12. پیکربندی منابع برای کارهای Spark
00101 فصل 12. یافتن سیاههها در YARN
00102 فصل 12. در حال اجرا اسپارک در Mesos
00103 فصل 12. نصب و پیکربندی Mesos
00104 فصل 12. زمانبندی منابع Mesos
00105 فصل 12. اجرای اسپارک با داکر
00106 فصل 13. مطالعه موردی - داشبورد بلادرنگ
00107 فصل 13. اجرای برنامه
00108 فصل 13. شروع برنامه به صورت دستی
00109 فصل 13. درک کد منبع
00110 فصل 13. پروژه StreamingLogAnalyzer
00111 فصل 14. یادگیری عمیق در Spark با H2O
00112 فصل 14. استفاده از H2O با اسپارک
00113 فصل 14. انجام رگرسیون با یادگیری عمیق H2O
00114 فصل 14. ساخت و ارزیابی یک مدل یادگیری عمیق با استفاده از Sparkling Water API
00115 فصل 14. انجام طبقه بندی با یادگیری عمیق H2O