日韩精品 中文字幕 动漫,91亚洲午夜一区,在线不卡日本v一区v二区丶,久久九九国产精品自在现拍





		



注冊(cè)  |  登錄讀書(shū)好，好讀書(shū)，讀好書(shū)！






        
讀書(shū)網(wǎng)-DuShu.com

        
         
                
      	
                
                	
                    
                    
                

                
            
        

        

               

				
				
				
       
        




















	當(dāng)前位置： 首頁(yè)出版圖書(shū)科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)網(wǎng)絡(luò)與數(shù)據(jù)通信網(wǎng)絡(luò)服務(wù)Scala和Spark大數(shù)據(jù)分析：函數(shù)式編程、數(shù)據(jù)流和機(jī)器學(xué)習(xí)

	



    
    

    
Scala和Spark大數(shù)據(jù)分析：函數(shù)式編程、數(shù)據(jù)流和機(jī)器學(xué)習(xí)

    

	
Scala和Spark大數(shù)據(jù)分析：函數(shù)式編程、數(shù)據(jù)流和機(jī)器學(xué)習(xí)
	
	

	

	

	
定　價(jià)：￥158.00

	

			
					

						作　者：
						雷扎爾·卡里姆，斯里達(dá)爾·阿拉 著，史躍東 譯
					

					

						出版社：
						清華大學(xué)出版社
					

					

						叢編項(xiàng)：
						
					

					

						標(biāo)　簽：
						暫缺
					

				
	
	

    
	

                        
購(gòu)買(mǎi)這本書(shū)可以去

                        
	

	

	

			
					

						ISBN：
						9787302551966
						出版時(shí)間：
						2020-06-01	
                        包裝：
						平裝					
					
					
					
					
						開(kāi)本：
						16開(kāi)
						頁(yè)數(shù)：
						624
						字?jǐn)?shù)：
						 
					
					
				

        

   

    
    
    
	
	
	
	
內(nèi)容簡(jiǎn)介

	

	
　　主要內(nèi)容 ◆ 理解Scala的面向?qū)ο蠛秃瘮?shù)式編程概念 ◆ 深入理解Scala的集合API ◆ 學(xué)習(xí)RDD和數(shù)據(jù)幀等Spark核心概念 ◆ 使用Spark SQL和GraphX分析結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù) ◆ 使用Spark結(jié)構(gòu)化流來(lái)開(kāi)發(fā)具備可擴(kuò)展性和容錯(cuò)能力的流式應(yīng)用 ◆ 學(xué)習(xí)分類(lèi)、回歸、降維和推薦系統(tǒng)等機(jī)器學(xué)習(xí)最佳實(shí)踐，以便使用Spark ML和Spark MLlib中的流行算法來(lái)建立預(yù)測(cè)模型 ◆ 建立聚類(lèi)模型，以便聚類(lèi)大量數(shù)據(jù) ◆ 理解Spark應(yīng)用的調(diào)優(yōu)、調(diào)試和監(jiān)控技術(shù) ◆使用獨(dú)立服務(wù)器模式、Mesos和YARN模式在集群上部署Spark應(yīng)用
	
	
	
   
	
	
	
作者簡(jiǎn)介

	

	
　　Md. Rezaul Karim 是德國(guó)Fraunhofer FIT的研究學(xué)者，也是德國(guó)亞琛工業(yè)大學(xué)的博士學(xué)位研究生預(yù)科生。他擁有計(jì)算機(jī)科學(xué)的學(xué)士與碩士學(xué)位。在加盟Fraunhofer FIT之前，他曾作為研究員任職于愛(ài)爾蘭的數(shù)據(jù)分析深入研究中心。更早之前，他還擔(dān)任過(guò)三星電子公司全球研究中心的首席工程師；該研究中心分布于韓國(guó)、印度、越南、土耳其以及孟加拉。再早之前，他還在韓國(guó)慶熙大學(xué)的數(shù)據(jù)庫(kù)實(shí)驗(yàn)室擔(dān)任過(guò)助理研究員，在韓國(guó)的BMTech21公司擔(dān)任過(guò)研發(fā)工程師，在孟加拉國(guó)的i2軟件技術(shù)公司擔(dān)任過(guò)軟件工程師。Karim擁有超過(guò)8年的研發(fā)領(lǐng)域工作經(jīng)驗(yàn)，并在如下算法和數(shù)據(jù)結(jié)構(gòu)領(lǐng)域具有深厚的技術(shù)背景：C/C++、Java、Scala、R、Python、Docker、Mesos、Zeppelin、Hadoop以及MapReduce，并深入學(xué)習(xí)了如下技術(shù)：Spark、Kafka、DC/OS、DeepLearning4j以及H2O-Sparking Water。他的研究興趣包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、語(yǔ)義網(wǎng)絡(luò)、關(guān)聯(lián)數(shù)據(jù)（Linked Data）、大數(shù)據(jù)以及生物信息學(xué)。同時(shí)，他還是Packt出版社出版的以下兩本書(shū)籍的作者： ● Large-Scale Machine Learning with Spark ● Deep Learning with TensorFlowSridhar Alla是一位大數(shù)據(jù)專(zhuān)家，他曾幫助大大小小的諸多公司解決各種復(fù)雜的問(wèn)題，例如數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)治理、安全、實(shí)時(shí)數(shù)據(jù)處理、高頻率的交易系統(tǒng)以及建立大規(guī)模的數(shù)據(jù)科學(xué)實(shí)踐項(xiàng)目等。他也是敏捷技術(shù)的實(shí)踐者，是一位獲得認(rèn)證的敏捷DevOps實(shí)踐者和實(shí)施者。他在美國(guó)網(wǎng)域存儲(chǔ)公司，以存儲(chǔ)軟件工程師的身份開(kāi)始了自己的職業(yè)生涯。然后成為位于波士頓的eIQNetworks公司的CTO，該公司是一家網(wǎng)絡(luò)安全公司。在他的履歷表中，還包括曾擔(dān)任位于費(fèi)城的Comcast公司的數(shù)據(jù)科學(xué)與工程總監(jiān)。他是很多會(huì)議或者活動(dòng)（如Hadoop World、Spark峰會(huì)等）的熱心參與者，在多項(xiàng)技術(shù)上提供面授/在線(xiàn)培訓(xùn)。他在美國(guó)商標(biāo)專(zhuān)利局（US PTO）也有多項(xiàng)專(zhuān)利技術(shù)，內(nèi)容涉及大規(guī)模計(jì)算與分布式系統(tǒng)等。他還持有印度尼赫魯科技大學(xué)計(jì)算機(jī)科學(xué)方向的學(xué)士學(xué)位。目前，他和妻子居住在新澤西州。Alla在Scala、Java、C、C++、Python、R以及Go語(yǔ)言上有超過(guò)18年的編程經(jīng)驗(yàn)，他的技術(shù)研究范圍也擴(kuò)展到Spark、Hadoop、Cassandra、HBase、MongoDB、Riak、Redis、Zeppelin、Mesos、Docker、Kafka、ElasticSearch、Solr、H2O、機(jī)器學(xué)習(xí)、文本分析、分布式計(jì)算以及高性能計(jì)算等領(lǐng)域。
	
	
	
	
	
	
圖書(shū)目錄

	

	
第1章  Scala簡(jiǎn)介   1
1.1  Scala的歷史與設(shè)計(jì)目標(biāo)   2
1.2  平臺(tái)與編輯器   2
1.3  安裝與創(chuàng)建Scala   3
1.3.1  安裝Java   3
1.3.2  Windows   4
1.3.3  macOS   6
1.4  Scala：可擴(kuò)展的編程語(yǔ)言   9
1.4.1  Scala是面向?qū)ο蟮?  9
1.4.2  Scala是函數(shù)式的   9
1.4.3  Scala是靜態(tài)類(lèi)型的   9
1.4.4  在JVM上運(yùn)行Scala   10
1.4.5  Scala可以執(zhí)行Java代碼   10
1.4.6  Scala可以完成并發(fā)與同步處理   10
1.5  面向Java編程人員的Scala   10
1.5.1  一切類(lèi)型都是對(duì)象   10
1.5.2  類(lèi)型推導(dǎo)   11
1.5.3  Scala REPL   11
1.5.4  嵌套函數(shù)   13
1.5.5  導(dǎo)入語(yǔ)句   13
1.5.6  作為方法的操作符   14
1.5.7  方法與參數(shù)列表   15
1.5.8  方法內(nèi)部的方法   15
1.5.9  Scala中的構(gòu)造器   16
1.5.10  代替靜態(tài)方法的對(duì)象   16
1.5.11  特質(zhì)   17
1.6  面向初學(xué)者的Scala   19
1.6.1  你的第一行代碼   20
1.6.2  交互式運(yùn)行Scala！   21
1.6.3  編譯   21
1.7  本章小結(jié)   22
第2章  面向?qū)ο蟮腟cala   23
2.1  Scala中的變量   24
2.1.1  引用與值不可變性   25
2.1.2  Scala中的數(shù)據(jù)類(lèi)型   26
2.2  Scala中的方法、類(lèi)和對(duì)象   28
2.2.1  Scala中的方法   28
2.2.2  Scala中的類(lèi)   30
2.2.3  Scala中的對(duì)象   30
2.3  包與包對(duì)象   41
2.4  Java的互操作性   42
2.5  模式匹配   43
2.6  Scala中的隱式   45
2.7  Scala中的泛型   46
2.8  SBT與其他構(gòu)建系統(tǒng)   49
2.8.1  使用SBT進(jìn)行構(gòu)建   49
2.8.2  Maven與Eclipse   50
2.8.3  Gradle與Eclipse   51
2.9  本章小結(jié)   55
第3章  函數(shù)式編程概念   56
3.1  函數(shù)式編程簡(jiǎn)介   57
3.2  面向數(shù)據(jù)科學(xué)家的函數(shù)式Scala   59
3.3  學(xué)習(xí)Spark為何要掌握函數(shù)式編程和Scala   59
3.3.1  為何是Spark？   59
3.3.2  Scala與Spark編程模型   60
3.3.3  Scala與Spark生態(tài)   61
3.4  純函數(shù)與高階函數(shù)   62
3.4.1  純函數(shù)   62
3.4.2  匿名函數(shù)   64
3.4.3  高階函數(shù)   66
3.4.4  以函數(shù)作為返回值   70
3.5  使用高階函數(shù)   71
3.6  函數(shù)式Scala中的錯(cuò)誤處理   72
3.6.1  Scala中的故障與異常   73
3.6.2  拋出異常   73
3.6.3  使用try和catch捕獲異常   73
3.6.4  finally   74
3.6.5  創(chuàng)建Either   75
3.6.6  Future   76
3.6.7  執(zhí)行任務(wù)，而非代碼塊   76
3.7  函數(shù)式編程與數(shù)據(jù)可變性   76
3.8  本章小結(jié)   77
第4章  集合API   78
4.1  Scala集合API   78
4.2  類(lèi)型與層次   79
4.2.1  Traversable   79
4.2.2  Iterable   80
4.2.3  Seq、LinearSeq和IndexedSeq   80
4.2.4  可變型與不可變型   80
4.2.5  Array   82
4.2.6  List   85
4.2.7  Set   86
4.2.8  Tuple   88
4.2.9  Map   89
4.2.10  Option   91
4.2.11  exists   94
4.2.12  forall   96
4.2.13  filter   96
4.2.14  map   97
4.2.15  take   97
4.2.16  groupBy   98
4.2.17  init   98
4.2.18  drop   98
4.2.19  takeWhile   98
4.2.20  dropWhile   99
4.2.21  flatMap   99
4.3  性能特征   100
4.3.1  集合對(duì)象的性能特征   100
4.3.2  集合對(duì)象的內(nèi)存使用   102
4.4  Java互操作性   103
4.5  Scala隱式的使用   104
4.6  本章小結(jié)   108
第5章  狙擊大數(shù)據(jù)——Spark加入戰(zhàn)團(tuán)   109
5.1  數(shù)據(jù)分析簡(jiǎn)介   109
5.2  大數(shù)據(jù)簡(jiǎn)介   114
5.3  使用Apache Hadoop進(jìn)行分布式計(jì)算   116
5.3.1  Hadoop分布式文件系統(tǒng)(HDFS)   117
5.3.2  MapReduce框架   122
5.4  Apache Spark駕到   125
5.5  本章小結(jié)   131
第6章  開(kāi)始使用Spark——REPL和RDD   132
6.1  深入理解Apache Spark   132
6.2  安裝Apache Spark   136
6.3  RDD簡(jiǎn)介   142
6.4  使用Spark shell   147
6.5  action與transformation算子   150
6.6  緩存   162
6.7  加載和保存數(shù)據(jù)   165
6.7.1  加載數(shù)據(jù)   165
6.7.2  保存RDD   166
6.8  本章小結(jié)   166
第7章  特殊RDD操作   167
7.1  RDD的類(lèi)型   167
7.2  聚合操作   178
7.3  分區(qū)與shuffle   187
7.3.1  分區(qū)器   188
7.3.2  shuffle   190
7.4  廣播變量   193
7.5  累加器   196
7.6  本章小結(jié)   199
第8章  介紹一個(gè)小結(jié)構(gòu)——Spark SQL   200
8.1  Spark SQL與數(shù)據(jù)幀   200
8.2  數(shù)據(jù)幀API與SQL API   203
8.3  聚合操作   214
8.4  連接   226
8.5  本章小結(jié)   237
第9章  讓我流起來(lái)，Scotty——Spark Streaming   238
9.1  關(guān)于流的簡(jiǎn)要介紹   238
9.2  Spark Streaming   243
9.3  離散流   249
9.4  有狀態(tài)/無(wú)狀態(tài)轉(zhuǎn)換   256
9.5  檢查點(diǎn)   257
9.6  與流處理平臺(tái)(Apache Kafka)的互操作   261
9.7  結(jié)構(gòu)化流   265
9.8  本章小結(jié)   269
第10章  萬(wàn)物互聯(lián)——GraphX   270
10.1  關(guān)于圖論的簡(jiǎn)要介紹   270
10.2  GraphX   275
10.3  VertexRDD和EdgeRDD   277
10.4  圖操作   280
10.5  Pregel API   284
10.6  PageRank   290
10.7  本章小結(jié)   291
第11章  掌握機(jī)器學(xué)習(xí)Spark MLlib
和ML   292
11.1  機(jī)器學(xué)習(xí)簡(jiǎn)介   292
11.2  Spark機(jī)器學(xué)習(xí)API   298
11.3  特征提取與轉(zhuǎn)換   299
11.4  創(chuàng)建一個(gè)簡(jiǎn)單的pipeline   308
11.5  無(wú)監(jiān)督機(jī)器學(xué)習(xí)   309
11.6  分類(lèi)   314
11.7  本章小結(jié)   330
第12章  貝葉斯與樸素貝葉斯   332
12.1  多元分類(lèi)   332

12.2  貝葉斯推理   338
12.3  樸素貝葉斯   339
12.4  決策樹(shù)   349
12.5  本章小結(jié)   354
第13章  使用Spark MLlib對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)分析   355
13.1  無(wú)監(jiān)督學(xué)習(xí)   355
13.2  聚類(lèi)技術(shù)   357
13.3  基于中心的聚類(lèi)(CC)   358
13.4  分層聚類(lèi)(HC)   366
13.5  基于分布的聚類(lèi)(DC)   367
13.6  確定聚類(lèi)的數(shù)量   372
13.7  聚類(lèi)算法之間的比較分析   373
13.8  提交用于聚類(lèi)分析的Spark作業(yè)   374
13.9  本章小結(jié)   374
第14章  使用Spark ML進(jìn)行文本分析   376
14.1  理解文本分析   376
14.2  轉(zhuǎn)換器與評(píng)估器   378
14.3  分詞   381
14.4  StopWordsRemover   383
14.5  NGram   385
14.6  TF-IDF   386
14.7  Word2Vec   390
14.8  CountVectorizer   392
14.9  使用LDA進(jìn)行主題建模   393
14.10  文本分類(lèi)實(shí)現(xiàn)   395
14.11  本章小結(jié)   400
第15章  Spark調(diào)優(yōu)   402
15.1  監(jiān)控Spark作業(yè)   402
15.2  Spark配置   417
15.3  Spark應(yīng)用開(kāi)發(fā)中的常見(jiàn)錯(cuò)誤   420
15.4  優(yōu)化技術(shù)   425
15.5  本章小結(jié)   434
第16章  該聊聊集群了——在集群環(huán)境中部署Spark   435
16.1  集群中的Spark架構(gòu)   435
16.2  在集群中部署Spark應(yīng)用   444
16.3  本章小結(jié)   464
第17章  Spark測(cè)試與調(diào)試   465
17.1  在分布式環(huán)境中進(jìn)行測(cè)試   465
17.2  測(cè)試Spark應(yīng)用   468
17.3  調(diào)試Spark應(yīng)用   483
17.4  本章小結(jié)   495
第18章  PySpark與SparkR   496
18.1  PySpark簡(jiǎn)介   496
18.2  安裝及配置   497
18.3  SparkR簡(jiǎn)介   517
18.4  本章小結(jié)   527
第19章  高級(jí)機(jī)器學(xué)習(xí)最佳實(shí)踐   529
19.1  機(jī)器學(xué)習(xí)最佳實(shí)踐   529
19.2  ML模型的超參調(diào)整   536
19.3  一個(gè)Spark推薦系統(tǒng)   548
19.4  主題建模——文本聚類(lèi)的最佳實(shí)踐   555
19.5  本章小結(jié)   568
附錄A  使用Alluxio加速Spark   569
附錄B  利用Apache Zeppelin進(jìn)行交互式數(shù)據(jù)分析   583
 

	
	

	

    
       
    
	
	

   

   

   

    
   

   
本目錄推薦







掃描二維碼










    

        

            
        

        
Copyright ? 讀書(shū)網(wǎng) rgspecialties.com 2005-2020, All Rights Reserved.

        
鄂ICP備15019699號(hào)  鄂公網(wǎng)安備 42010302001612號(hào)