0.0 0人评分
字数:13.0万
点击:21.0万
分类: 软件工程
标签:

用户还喜欢

  • R统计应用开发实战

    R统计应用开发实战

    【印度】Prabhanjan Narayanachar Tattar

    本书的前5章是以基础知识和R软件为主体,因此包括了R基本知识、数据可视化、探索性数据分析和统计推断。基础知识部分会使用有趣的例子来加以说明,并且为后5章建立了框架。回归模型、线性和logistic回归被安排在前面,是应用部分最重要的研究热点。这种讨论实质上更普遍,而且这种方法也很容易应用于不同的领域。最后两章受到了Breiman学校的启发,因此详细介绍了分类和回归树的现代方法,并且用实际的数据集进行了说明。

  • 实时分析:流数据的分析与可视化技术

    实时分析:流数据的分析与可视化技术

    【美】拜伦·埃利斯

    本书共11章。第1章介绍常见的流数据的来源、应用以及三个重要特性:持续交付、结构松散和高基数,并阐释对流数据使用基础架构和算法的重要性。第2~6章介绍实时流架构的各组件涉及的软件、框架和方法。第2章概述实时流架构设计涉及的组件、特性、编程语言等。第3章介绍实时流架构的服务配置和协调,重点介绍协调服务器ZooKeeper。第4章阐述实时流架构中数据流程的管理,涉及用来管理数据流程的两个软件包Kafka和Flume。第5章分析流数据的处理,涉及如何用Storm或Samza来处理数据。第6章介绍流数据的存储问题。第7~11章重点关注流数据架构的应用构建问题。第7章讨论从流环境向最终用户的数据交付问题。这是构建仪表板以及其他监控应用所使用的核心机制。第8章涵盖流环境下的聚集计算问题,特别是对多分辨率时间序列数据的聚集计算问题。第9章简要介绍统计学和概率论的基础知识。第10章讨论略图,略图通常具有更快的更新速度和更小的内存占用空间,特别适合流环境。第11章讨论聚集计算之外能够应用于流数据的一些更深入的话题。

  • 机器学习与R语言

    机器学习与R语言

    【美】Brett Lantz

    机器学习的基本概念和理论,用于机器学习的R软件环境;如何应用R来管理数据,进行数据的探索分析和数据可视化;典型的机器学习算法和案例,并给出了详细的分析步骤;模型性能评价的原理和方法;提高模型性能的几种常用方法;其他机器学习主题。

  • App研发录:架构设计、Crash分析和竞品技术分析

    App研发录:架构设计、Crash分析和竞品技术分析

    包建强

    本书与这两类书都完全不同,纯从实战出发,在官方文档之上,阐述实际开发中应该掌握的那些来之不易的经验,其中多是过来人踩过坑、吃过亏,才能总结出来的东西。

  • 大数据系统构建:可扩展实时数据系统构建原理与最佳实践

    大数据系统构建:可扩展实时数据系统构建原理与最佳实践

    【美】南森·马茨;【美】詹姆斯·沃伦

    本书内容丰富,涵盖了大数据的诸多方面,如Thrift、数据建模、HDFS、MapReduce、HBase、Lambda等,这为本书的翻译增加了不少难度。尽管我们进行了多次校对和修改,甚至几位译者就某些专业词汇如何准确翻译进行了多次字斟句酌的讨论,但由于水平所限,恐难以将原作的内容全面还原,因此也难免出现纰漏和不足。在此,也恳请广大读者在阅读之余不吝赐教,给予批评指正。

Spark与Hadoop大数据分析

Spark与Hadoop大数据分析【美】文卡特·安卡姆  著

本书介绍了ApacheSpark和Hadoop的基础知识,并深入探讨了所有Spark组件:SparkCore、SparkSQL、DataFrame、DataSet、普通流、结构化流、MLlib、Graphx,以及Hadoop的核心组件(HDFS、MapReduce和Yarn)等,此外,也讲解了在Spark+Hadoop集群中实现的示例。 [展开] [收起]

作者简介

【美】文卡特·安卡姆(Venkat Ankam),有超过18年的IT经验和5年以上的大数据技术经验,与客户一起设计和开发过可扩展的大数据应用程序。他在利用Hadoop和Spark进行大数据分析方面拥有丰富的经验,与全球很多客户进行了合作。他是Cloudera认证的Hadoop开发者和管理员,也是Databricks认证的Spark开发者。他还是一些全球Hadoop和Spark会议小组的创始人和主持人,热爱与社区分享知识。

评论

为该书打分

    Hi,,