دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش برنامه نویسی Spark ray و Python برای پروژه های عظیم Data Science

دانلود LiveLessons Spark Ray and Python for Scalable Data Science

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با دیتا ساینس یاد می گیرید.

عنوان اصلی : Spark Ray and Python for Scalable Data Science

این مجموعه آموزش ویدیویی محصول موسسه آموزشی LiveLessons است که بر روی 1 حلقه دیسک ارائه شده و به مدت زمان 7 ساعت و 3 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :

1 - جرقه، اشعه، و پایتون برای داده های مقیاس پذیر - مقدمه
2 - موضوعات
3 - 1.1 مقدمه و مواد
4 - 1.2 فرآیند علم اطلاعات
5 - 1.3 انحراف تاریخی کوتاه
6 - 1.4 سیستم های توزیع شده سیستم های توزیع شده

1 - Spark, Ray, and Python for Scalable Data Science - Introduction
2 - Topics
3 - 1.1 Introduction and Materials
4 - 1.2 The Data Science Process
5 - 1.3 A Brief Historical Diversion
6 - 1.4 Distributed Systems Primer
7 - 1.5 Python Distributed Computing Frameworks
8 - 1.6 The What and Why of Spark
9 - 1.7 The Spark Platform
10 - 1.8 Spark versus Ray
11 - Topics
12 - 2.1 Course Coding Setup
13 - 2.2 Your First PySpark Job
14 - 2.3 Introduction to RDDs
15 - 2.4 Transformations versus Actions
16 - 2.5 RDD Deep Dive
17 - 2.6 The Spark Execution Context
18 - 2.7 Spark versus Hadoop
19 - 2.8 Spark Application Lifecycle
20 - Topics
21 - 3.1 Introduction to Exploratory Data Analysis
22 - 3.2 A Quick Tour of Jupyter Notebooks
23 - 3.3 Parsing Data at Scale
24 - 3.4 Spark DataFrames - Integration into Existing Workflows
25 - 3.5 Scaling Exploratory Data Analysis with Spark
26 - 3.6 Making Sense of Data - Summary Statistics and Data Visualization
27 - 3.7 Working with Text - Introduction to NLP
28 - 3.8 Tokenization and Vectorization with MLlib
29 - Topics
30 - 4.1 The What and Why of Ray
31 - 4.2 The Ray Programming Model
32 - 4.3 Parallelizing Functions with Ray Tasks
33 - 4.4 Asynchronous Programming with Actors
34 - 4.5 Cellular Automata and the Game of Life
36 - Topics
37 - 5.1 Introduction to Model Evaluation
38 - 5.2 Serializing Data for Machine Learning Applications
39 - 5.3 Cross Validation with scikit-learn
40 - 5.4 Strategies for Tuning Machine Learning Models
41 - 5.5 Grid Search in Python
42 - 5.6 Distributed Hyperparameter Optimization with Ray Tune
43 - 5.7 Resource Efficient Search with Principled Early Stopping
44 - 5.8 Diving Deeper into Ray���s Internals
45 - 5.9 Serving Machine Learning Models
46 - 5.10 Deploying AI Applications with Ray Serve
47 - 5.11 Monitoring Model Performance in Production
48 - Spark, Ray, and Python for Scalable Data Science - Summary