|
|
|
|
LEADER |
03071nmm a2200433 u 4500 |
001 |
EB002167023 |
003 |
EBX01000000000000001306038 |
005 |
00000000000000.0 |
007 |
cr||||||||||||||||||||| |
008 |
230704 ||| pol |
020 |
|
|
|a 9788383220703
|
050 |
|
4 |
|a QA76.9.D343
|
100 |
1 |
|
|a Tandon, Akash
|
130 |
0 |
|
|a Advanced analytics with PySpark
|
245 |
0 |
0 |
|a Zaawansowana analiza danych w PySpark
|b metody przetwarzania informacji na szeroką skalę z wykorzystaniem Pythona i systemu Spark
|c Akash Tandon, Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills ; tłumaczenie Andrzej Watrak
|
250 |
|
|
|a [First edition]
|
260 |
|
|
|a Gliwice
|b Helion
|c 2023
|
300 |
|
|
|a 192 pages
|b illustrations
|
653 |
|
|
|a Data mining / fast
|
653 |
|
|
|a Big data / fast
|
653 |
|
|
|a SPARK (Electronic resource) / http://id.loc.gov/authorities/names/n2004007265
|
653 |
|
|
|a Python (Computer program language) / fast
|
653 |
|
|
|a Big data / http://id.loc.gov/authorities/subjects/sh2012003227
|
653 |
|
|
|a Python (Computer program language) / http://id.loc.gov/authorities/subjects/sh96008834
|
653 |
|
|
|a SPARK (Electronic resource) / fast
|
653 |
|
|
|a Données volumineuses
|
653 |
|
|
|a Data mining / http://id.loc.gov/authorities/subjects/sh97002073
|
653 |
|
|
|a Python (Langage de programmation)
|
653 |
|
|
|a Exploration de données (Informatique)
|
700 |
1 |
|
|a Ryza, Sandy
|e author
|
700 |
1 |
|
|a Laserson, Uri
|e author
|
700 |
1 |
|
|a Owen, Sean
|e author
|
041 |
0 |
7 |
|a pol
|2 ISO 639-2
|
989 |
|
|
|b OREILLY
|a O'Reilly
|
776 |
|
|
|z 8383220707
|
776 |
|
|
|z 9788383220703
|
856 |
4 |
0 |
|u https://learning.oreilly.com/library/view/~/9788383220703/?ar
|x Verlag
|3 Volltext
|
082 |
0 |
|
|a 006.3/12
|
520 |
|
|
|a Potrzeby w zakresie analizy dużych zbiorów danych i wyciągania z nich użytecznych informacji stale rosną. Spośród dostępnych narzędzi przeznaczonych do tych zastosowań szczególnie przydatny jest PySpark - interfejs API systemu Spark dla języka Python. Apache Spark świetnie się nadaje do analizy dużych zbiorów danych, a PySpark skutecznie ułatwia integrację Sparka ze specjalistycznymi narzędziami PyData. By jednak można było w pełni skorzystać z tych możliwości, konieczne jest zrozumienie interakcji między algorytmami, zbiorami danych i wzorcami używanymi w analizie danych. Oto praktyczny przewodnik po wersji 3.0 systemu Spark, metodach statystycznych i rzeczywistych zbiorach danych. Omówiono w nim zasady rozwiązywania problemów analitycznych za pomocą interfejsu PySpark, z wykorzystaniem dobrych praktyk programowania w systemie Spark. Po lekturze można bezproblemowo zagłębić się we wzorce analityczne oparte na popularnych technikach przetwarzania danych, takich jak klasyfikacja, grupowanie, filtrowanie i wykrywanie anomalii, stosowane w genomice, bezpieczeństwie systemów IT i finansach. Dodatkowym plusem są opisy wykorzystania przetwarzania obrazów i języka naturalnego. Zaletą jest też szereg rzeczywistych przykładów dużych zbiorów danych i ich zaawansowanej analizy
|