Praktyczna nauka o danych z Hadoop i Spark: Projektowanie i tworzenie skutecznych analiz na dużą skalę

Opinie czytelników

Książka jest pozytywnie oceniana przez niektórych jako przyjemne i praktyczne wprowadzenie do Hadoop i Spark, podczas gdy inni krytykują ją za powierzchowność i brak dogłębnej wiedzy na te tematy.

⬤ Dobrze napisana
⬤ przyjemna lektura
⬤ zapewnia dobre wprowadzenie do Hadoop/Spark
⬤ obejmuje praktyczne przypadki użycia w nauce o danych
⬤ odpowiednia dla osób z pewnym wcześniejszym doświadczeniem.

⬤ Brak głębi i znaczącego pokrycia Hadoop/Spark
⬤ uważana za zbyt powierzchowną i ogólną
⬤ mylący tytuł
⬤ droga za dostarczoną treść
⬤ nieodpowiednia dla początkujących poszukujących kompleksowej wiedzy.

(na podstawie 8 opinii czytelników)

Oryginalny tytuł:

Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale

Zawartość książki:

Kompletny przewodnik po nauce o danych z Hadoop - dla specjalistów technicznych, biznesmenów i studentów.

Zapotrzebowanie na profesjonalistów, którzy potrafią rozwiązywać rzeczywiste problemy związane z nauką o danych za pomocą Hadoop i Spark, gwałtownie rośnie. Practical Data Science with Hadoop(R) and Spark to kompletny przewodnik po tym, jak to zrobić. Opierając się na ogromnym doświadczeniu z Hadoop i big data, trzech wiodących ekspertów łączy wszystko, czego potrzebujesz: koncepcje wysokiego poziomu, techniki głębokiego nurkowania, rzeczywiste przypadki użycia, praktyczne zastosowania i praktyczne samouczki.

Autorzy wprowadzają w podstawy nauki o danych i nowoczesnego ekosystemu Hadoop, wyjaśniając, w jaki sposób Hadoop i Spark ewoluowały w skuteczną platformę do rozwiązywania problemów związanych z nauką o danych na dużą skalę. Oprócz kompleksowego omówienia aplikacji, autorzy dostarczają również przydatnych wskazówek na temat ważnych etapów pozyskiwania danych, ich przetwarzania i wizualizacji.

Gdy podstawy są już gotowe, autorzy skupiają się na konkretnych zastosowaniach, w tym na uczeniu maszynowym, modelowaniu predykcyjnym do analizy nastrojów, grupowaniu do analizy dokumentów, wykrywaniu anomalii i przetwarzaniu języka naturalnego (NLP).

Ten przewodnik zapewnia solidne podstawy techniczne dla tych, którzy chcą zajmować się praktyczną nauką o danych, a także przedstawia wskazówki biznesowe dotyczące stosowania Hadoop i Spark w celu optymalizacji zwrotu z inwestycji w inicjatywy związane z nauką o danych.

Dowiedz się.

⬤ Czym jest nauka o danych, jak ewoluowała i jak zaplanować karierę w tej dziedzinie.

⬤ W jaki sposób ilość, różnorodność i szybkość danych kształtują przypadki użycia nauki o danych.

⬤ Hadoop i jego ekosystem, w tym HDFS, MapReduce, YARN i Spark.

⬤ Importowanie danych za pomocą Hive i Spark.

⬤ Jakość danych, przetwarzanie wstępne, przygotowanie i modelowanie.

⬤ Wizualizacja: wyciąganie wniosków z ogromnych zbiorów danych.

⬤ Uczenie maszynowe: klasyfikacja, regresja, klastrowanie i wykrywanie anomalii.

⬤ Algorytmy i narzędzia Hadoop do modelowania predykcyjnego.

⬤ Analiza klastrów i funkcje podobieństwa.

⬤ Wykrywanie anomalii na dużą skalę.

⬤ NLP: zastosowanie nauki o danych do ludzkiego języka.