Oreilly – Mastering Large Datasets with Python, Video Edition 2024-11

توضیحات

دوره Mastering Large Datasets with Python Video Edition. این دوره آموزشی به شما می‌آموزد که چگونه با استفاده از پایتون، پروژه‌های تحلیل داده‌های بزرگ خود را مقیاس‌پذیر کنید. با یادگیری مفاهیم کلیدی مانند map و reduce و استفاده از ابزارهای قدرتمند پایتون، شما قادر خواهید بود تا الگوریتم‌های خود را به صورت موازی اجرا کرده و از منابع محاسباتی گسترده مانند کلسترهای ابری بهره‌برداری کنید.

در دنیای امروز، داده‌ها به سرعت در حال رشد هستند و تحلیل این داده‌های بزرگ نیازمند ابزارها و روش‌های خاصی است. این دوره آموزشی به شما کمک می‌کند تا با استفاده از پایتون، یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در حوزه داده‌کاوی، به این چالش پاسخ دهید. با یادگیری تکنیک‌های موازی‌سازی و توزیع‌شده، شما می‌توانید تحلیل‌های پیچیده را بر روی داده‌های بسیار بزرگ انجام داده و نتایج دقیق‌تری را در زمان کوتاه‌تری به دست آورید.

آنچه فرا خواهید گرفت

• مفهوم map و reduce: درک عمیق از این دو مفهوم بنیادی در پردازش موازی داده‌ها
• موازی‌سازی با multiprocessing و pathos: یادگیری نحوه اجرای همزمان چندین فرآیند برای سرعت بخشیدن به محاسبات
• Hadoop و Spark: استفاده از این دو ابزار قدرتمند برای پردازش داده‌های توزیع‌شده در مقیاس بزرگ
• AWS: اجرای وظایف پردازش داده بر روی سرویس‌های ابری آمازون برای بهره‌برداری از منابع محاسباتی گسترده

این دوره مناسب افرادیست که

• برنامه‌نویسان پایتون که نیاز دارند با حجم بیشتری از داده‌ها کار کنند
• افرادی که به دنبال یادگیری تکنیک‌های پیشرفته تحلیل داده هستند
• کسانی که می‌خواهند در حوزه داده‌کاوی و یادگیری ماشین فعالیت کنند

مشخصات دوره Software Telemetry Video Edition

• ناشر: Oreilly
• مدرس: John Wolohan
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 7 ساعت و 43 دقیقه

سرفصل های دوره

• Part 1.
• Chapter 1. Introduction
• Chapter 1. Why large datasets?
• Chapter 1. What is parallel computing?
• Chapter 1. The map and reduce style
• Chapter 1. Distributed computing for speed and scale
• Chapter 1. Hadoop: A distributed framework for map and reduce
• Chapter 1. Spark for high-powered map, reduce, and more
• Chapter 1. AWS Elastic MapReduce—Large datasets in the cloud
• Chapter 1. Summary
• Chapter 2. Accelerating large dataset work: Map and parallel computing
• Chapter 2. Parallel processing
• Chapter 2. Putting it all together: Scraping a Wikipedia network
• Chapter 2. Exercises
• Chapter 2. Summary
• Chapter 3. Function pipelines for mapping complex transformations
• Chapter 3. Unmasking hacker communications
• Chapter 3. Twitter demographic projections
• Chapter 3. Exercises
• Chapter 3. Summary
• Chapter 4. Processing large datasets with lazy workflows
• Chapter 4. Some lazy functions to know
• Chapter 4. Understanding iterators: The magic behind lazy Python
• Chapter 4. The poetry puzzle: Lazily processing a large dataset
• Chapter 4. Lazy simulations: Simulating fishing villages
• Chapter 4. Exercises
• Chapter 4. Summary
• Chapter 5. Accumulation operations with reduce
• Chapter 5. The three parts of reduce
• Chapter 5. Reductions you’re familiar with
• Chapter 5. Using map and reduce together
• Chapter 5. Analyzing car trends with reduce
• Chapter 5. Speeding up map and reduce
• Chapter 5. Exercises
• Chapter 5. Summary
• Chapter 6. Speeding up map and reduce with advanced parallelization
• Chapter 6. Solving the parallel map and reduce paradox
• Chapter 6. Summary
• Part 2.
• Chapter 7. Processing truly big datasets with Hadoop and Spark
• Chapter 7. Hadoop for batch processing
• Chapter 7. Using Hadoop to find high-scoring words
• Chapter 7. Spark for interactive workflows
• Chapter 7. Document word scores in Spark
• Chapter 7. Exercises
• Chapter 7. Summary
• Chapter 8. Best practices for large data with Apache Streaming and mrjob
• Chapter 8. Tennis analytics with Hadoop
• Chapter 8. mrjob for Pythonic Hadoop streaming
• Chapter 8. Tennis match analysis with mrjob
• Chapter 8. Exercises
• Chapter 8. Summary
• Chapter 9. PageRank with map and reduce in PySpark
• Chapter 9. Tennis rankings with Elo and PageRank in PySpark
• Chapter 9. Exercises
• Chapter 9. Summary
• Chapter 10. Faster decision-making with machine learning and PySpark
• Chapter 10. Machine learning basics with decision tree classifiers
• Chapter 10. Fast random forest classifications in PySpark
• Chapter 10. Summary
• Part 3.
• Chapter 11. Large datasets in the cloud with Amazon Web Services and S3
• Chapter 11. Storing data in the cloud with S3
• Chapter 11. Exercises
• Chapter 11. Summary
• Chapter 12. MapReduce in the cloud with Amazon’s Elastic MapReduce
• Chapter 12. Machine learning in the cloud with Spark on EMR
• Chapter 12. Exercises
• Chapter 12. Summary

تصاویر دوره Mastering Large Datasets with Python Video Edition

نمونه فیلم دوره

لینک دانلود

دانلود فایل – 0.98 گیگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

0.98 گیگابایت