Értékelés:
A könyvet azért dicsérik, mert képes összekapcsolni a Python összetett témáit és a valós alkalmazásokat, így hasznos a tanulók számára, akik fejleszteni szeretnék készségeiket. Ugyanakkor kritikák is érik a könyv mélységének hiánya, redundanciája és az olyan alapvető eszközök, mint a Hadoop és a Spark, nem tárgyalása miatt.
Előnyök:Hasznos az összetett témák összekapcsolásában, valós problémákat kínál, előnyös a munkaerő-piaci készségek szempontjából, jó az alapvető ismeretek bővítésére.
Hátrányok:Ismétlődő és kevés információ, bizonyos területeken nincs mélység, hiányosságok az alapvető eszközökről, néhány kódolási példa gyenge vagy értelmetlen.
(3 olvasói vélemény alapján)
Mastering Large Datasets with Python: Parallelize and Distribute Your Python Code
Összefoglaló.
A modern adattudományi megoldásoknak tisztának, könnyen olvashatónak és skálázhatónak kell lenniük. A Mastering Large Datasets with Python című könyvben a szerző, J. T. Wolohan megtanítja, hogyan lehet egy kis projektet a Python-kódolás funkcionálisan befolyásolt megközelítése segítségével skálázni. Olyan módszereket és beépített Python-eszközöket fedezhet fel, amelyek alkalmasak az áttekinthetőségre és a skálázhatóságra, mint például a nagy teljesítményű párhuzamossági módszer, valamint a nagy adatátviteli teljesítményt lehetővé tevő elosztott technológiákat. A gyakorlati oktatóanyagban található bőséges gyakorlati gyakorlatok rögzítik ezeket az alapvető készségeket bármely nagyszabású adattudományi projekthez.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról.
A laptop méretű adatokon jól működő programozási technikák lelassulhatnak - vagy teljesen kudarcot vallhatnak -, ha hatalmas fájlokra vagy elosztott adathalmazokra alkalmazzák őket. A nagy teljesítményű map and reduce paradigma és az azt támogató Python-alapú eszközök elsajátításával olyan adatközpontú alkalmazásokat írhat, amelyek hatékonyan skálázódnak anélkül, hogy a követelmények változásával a kódbázis újraírására lenne szükség.
A könyvről.
A Mastering Large Datasets with Python megtanít olyan kódot írni, amely bármilyen méretű adathalmazt képes kezelni. Laptop méretű adathalmazokkal kezd, amelyek megtanítják az adatelemzés párhuzamosítását a nagy feladatok kisebb, egyszerre futtatható feladatokra bontásával. Ezután ugyanezeket a programokat ipari méretű adathalmazokra méretezed felhőszerverek fürtjén. A map and reduce paradigma szilárdan a helyén van, és olyan eszközöket fedezel fel, mint a Hadoop és a PySpark, hogy hatékonyan feldolgozhass hatalmas elosztott adathalmazokat, felgyorsíthatod a döntéshozatalt gépi tanulással, és egyszerűsítheted az adattárolást az AWS S3 segítségével.
Ami benne van.
⬤ Egy bevezetés a map and reduce paradigmába.
⬤ Parallelizálás a multiprocessing modullal és a pathos keretrendszerrel.
⬤ Hadoop és Spark az elosztott számítástechnikához.
⬤ AWS-feladatok futtatása nagy adathalmazok feldolgozásához.
Az olvasóról.
Azoknak a Python-programozóknak, akiknek gyorsabban kell dolgozniuk több adattal.
A szerzőről.
J. T. Wolohan a Booz Allen Hamilton vezető adattudósa, és a bloomingtoni Indiana University PhD kutatója.
Tartalomjegyzék:
1. RÉSZ.
1 ) Bevezetés.
2 ) A nagy adathalmazokkal végzett munka felgyorsítása: Térképes és párhuzamos számítástechnika.
3 ) Funkcióvezetékek az összetett transzformációk leképezéséhez.
4 ) Nagy adathalmazok feldolgozása lusta munkafolyamatokkal.
5 ) Halmozási műveletek reduce segítségével.
6 ) A map és reduce felgyorsítása fejlett párhuzamosítással.
2. RÉSZ.
7 ) Igazán nagy adathalmazok feldolgozása Hadoop és Spark segítségével.
8 ) Legjobb gyakorlatok nagy adatokhoz az Apache Streaming és az mrjob segítségével.
9 ) PageRank map és reduce segítségével PySparkban.
10 ) Gyorsabb döntéshozatal gépi tanulással és PySparkkal.
3. RÉSZ.
11 ) Nagy adathalmazok a felhőben az Amazon Web Services és az S3 segítségével.
12 ) MapReduce a felhőben az Amazon Elastic MapReduce szolgáltatásával.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)
