آموزش جامع اسکاتیا (Scala) برای علوم داده (2017) - آخرین آپدیت

دانلود Scala Essential Training for Data Science (2017)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بیاموزید که چگونه از زبان اسکاتیا (Scala) - زبان محبوبی که طراحی شی‌گرا را با برنامه‌نویسی تابعی ترکیب می‌کند - در پروژه‌های علوم داده خود بهره ببرید. در این دوره، کاربردی‌ترین ویژگی‌های Scala برای دانشمندان داده، از جمله توابع سفارشی، پردازش موازی و برنامه‌نویسی Spark با Scala را خواهید آموخت. دن سالیوان دوره را با مقدمه‌ای برای برنامه‌نویسانی که با Scala آشنا نیستند آغاز می‌کند. سپس، نحوه استفاده از SQL در Scala را شرح می‌دهد؛ مفهومی که برای دانشمندان داده بسیار مفید است، زیرا آن‌ها اغلب باید داده‌ها را از پایگاه‌های داده رابطه‌ای استخراج کنند. در ادامه، مفاهیم پردازش موازی در Scala را پوشش داده و تکنیک‌هایی را به اشتراک می‌گذارد که برای مجموعه‌داده‌های متوسط که می‌توان آن‌ها را روی یک سرور تک‌ماشین با چندین هسته تحلیل کرد، کاربردی هستند.

همچنین تمرکز وی بر استفاده از Scala در کنار Spark، پلتفرم پردازش توزیع‌شده است. او ابتدا نحوه کار با Resilient Distributed Datasets (RDDs) - ساختار داده بنیادی Spark - را توصیف کرده و سپس نحوه استفاده از Scala با Spark DataFrames را که کلاس جدیدی از ساختارهای داده مخصوص پردازش‌های تحلیلی است، توضیح می‌دهد. در نهایت، دوره را با ارائه خلاصه‌ای از مزایای استفاده از Scala در علوم داده به پایان می‌رساند.

سرفصل ها و درس ها

مقدمه Introduction

  • خوش‌آمدگویی Welcome

  • پیش‌نیازها و دانستنی‌ها What you should know

  • استفاده از فایل‌های تمرینی Using the exercise files

1. آشنایی با اسکاتیا 1. Introduction to Scala

  • نقشه‌ها (Maps) در اسکاتیا Scala maps

  • توابع در اسکاتیا Scala functions

  • اشیای اسکاتیا Scala objects

  • مزایای اسکاتیا برای علوم داده The advantages of Scala for data science

  • انواع داده‌ها در اسکاتیا Scala data types

  • کلکسیون‌ها در اسکاتیا Scala collections

  • نصب اسکاتیا Installing Scala

  • عبارات (Expressions) در اسکاتیا Scala expressions

  • مجموعه‌ها، آرایه‌ها، وکتورها و رنج‌ها در اسکاتیا Scala sets Scala arrays, vectors, and ranges

2. پردازش موازی در اسکاتیا 2. Parallel Processing in Scala

  • زمان استفاده و عدم استفاده از کلکسیون‌های موازی When and when not to use parallel collections

  • مزایای کلکسیون‌های موازی Advantages of parallel collections

  • ایجاد کلکسیون‌های موازی Creating parallel collections

  • فیلتر کردن کلکسیون‌های موازی Filtering parallel collections

  • اعمال توابع Map روی کلکسیون‌های موازی Mapping functions over parallel collections

3. استفاده از SQL در اسکاتیا 3. Using SQL in Scala

  • خلاصه‌ای از SQL در اسکاتیا Summary of SQL in Scala

  • پرس‌وجو با رشته‌های SQL Querying with SQL strings

  • بارگذاری داده‌ها در PostgreSQL Loading data into PostgreSQL

  • پرس‌وجو با دستورات Prepared Statements Querying with prepared statements

  • اتصال به PostgreSQL Connecting to PostgreSQL

  • نصب PostgreSQL Installing PostgreSQL

4. اسکاتیا و Spark RDDs 4. Scala and Spark RDDs

  • شروع کار با Spark RDDs Getting Started with Spark RDDs

  • مقدمه‌ای بر اسپارک (Spark) Introduction to Spark

  • خلاصه‌ای از Scala و Spark RDDs Summary of Scala and Spark RDDs

  • نصب اسپارک Installing Spark

  • اعمال توابع Map روی RDDها Mapping Functions over RDDs

  • محاسبات آماری روی RDDها Statistics over RDDs

5. اسکاتیا و Spark DataFrames 5. Scala and Spark DataFrames

  • خلاصه‌ای از Scala و Spark DataFrames Summary of Scala and Spark DataFrames

  • گروه‌بندی و فیلتر کردن در DataFrames Grouping and filtering on DataFrames

  • ایجاد DataFrames Creating DataFrames

  • اتصال (Join) در DataFrames Joining DataFrames

  • کار با فایل‌های JSON Working with JSON files

جمع‌بندی Conclusion

  • مرور کلی اسکاتیا برای علوم داده Review of Scala for data science

نمایش نظرات

آموزش جامع اسکاتیا (Scala) برای علوم داده (2017)
جزییات دوره
1h 51m
35
(آخرین آپدیت)
22,563
- از 5
دارد
دارد
دارد
Dan Sullivan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.