Skalowanie Pythona z Dask: Od nauki o danych do uczenia maszynowego

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Scaling Python with Dask: From Data Science to Machine Learning

Zawartość książki:

Nowoczesne systemy zawierają wielordzeniowe procesory CPU i GPU, które mają potencjał do obliczeń równoległych. Jednak wiele naukowych narzędzi Pythona nie zostało zaprojektowanych z myślą o wykorzystaniu tej równoległości. Dzięki temu krótkiemu, ale dokładnemu materiałowi, naukowcy zajmujący się danymi i programiści Pythona dowiedzą się, w jaki sposób biblioteka open source Dask do obliczeń równoległych zapewnia interfejsy API, które ułatwiają zrównoleglenie bibliotek PyData, w tym NumPy, pandas i scikit-learn.

Autorzy Holden Karau i Mika Kimmins pokazują, jak korzystać z obliczeń Dask w systemach lokalnych, a następnie skalować je do chmury dla większych obciążeń. Ta praktyczna książka wyjaśnia, dlaczego Dask jest popularny wśród ekspertów branżowych i naukowców oraz jest używany przez organizacje takie jak Walmart, Capital One, Harvard Medical School i NASA.

Z tej książki dowiesz się m.in.

⬤ Czym jest Dask, gdzie można go używać i jak wypada na tle innych narzędzi.

⬤ Jak używać Dask do równoległego przetwarzania danych wsadowych.

⬤ Kluczowe koncepcje systemów rozproszonych do pracy z Dask.

⬤ Metody korzystania z Dask z interfejsami API wyższego poziomu i blokami konstrukcyjnymi.

⬤ Jak pracować ze zintegrowanymi bibliotekami, takimi jak scikit-learn, pandas i PyTorch.

⬤ Jak używać Dask z procesorami graficznymi.