آموزش از صفر تا یک: اسپارک برای علم داده با پایتون - آخرین آپدیت

دانلود From 0 to 1 : Spark for Data Science with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

تحلیل داده با اسپارک: یادگیری ماشین، علم داده و تحلیل

داده‌های خود را با اسپارک برای تحلیل، یادگیری ماشین و علم داده به پرواز درآورید.

از اسپارک برای طیف وسیعی از وظایف تحلیلی و یادگیری ماشین استفاده کنید. الگوریتم‌های پیچیده‌ای مانند PageRank یا توصیه‌گر موسیقی را پیاده‌سازی کنید. با مجموعه داده‌های متنوعی از تاخیر پروازها گرفته تا توییتر، گراف‌های وب، شبکه‌های اجتماعی و رتبه‌بندی محصولات کار کنید. از تمام ویژگی‌ها و کتابخانه‌های مختلف اسپارک بهره ببرید: RDDها، DataFrameها، Spark SQL، MLlib، Spark Streaming و GraphX.

پیش‌نیازها

این دوره فرض می‌کند شما با پایتون آشنایی دارید. می‌توانید مستقیماً در محیط PySpark کد پایتون را اجرا کنید. اگر IPython Notebook را نصب دارید، نحوه پیکربندی آن برای اسپارک را به شما نشان خواهیم داد.

برای بخش جاوا، فرض ما دانش پایه‌ای از جاوا است. یک IDE که از Maven پشتیبانی می‌کند، مانند IntelliJ IDEA/Eclipse، مفید خواهد بود.

تمام مثال‌ها با یا بدون هادوپ کار می‌کنند. اگر می‌خواهید از اسپارک با هادوپ استفاده کنید، نیاز به نصب هادوپ (در حالت شبه-توزیع شده یا کلاستر) خواهید داشت.

تدریس شده توسط:

تیمی متشکل از 4 نفر، شامل 2 فارغ‌التحصیل استنفورد و کارمندان سابق گوگل، و 2 تحلیلگر ارشد سابق فلیپ‌کارت. این تیم دهه‌ها تجربه عملی در کار با جاوا و میلیاردها ردیف داده دارد.

اسپارک چیست؟

اگر یک تحلیلگر یا دانشمند داده هستید، به استفاده از سیستم‌های متعدد برای کار با داده عادت دارید: SQL، پایتون، R، جاوا و غیره. با اسپارک، شما یک موتور واحد دارید که در آن می‌توانید حجم عظیمی از داده‌ها را کاوش کرده و با آن‌ها کار کنید، الگوریتم‌های یادگیری ماشین را اجرا کنید و سپس از همان سیستم برای تولید کد خود استفاده نمایید.

تحلیل داده با اسپارک

با استفاده از اسپارک و پایتون، می‌توانید داده‌های خود را در محیطی تعاملی با بازخورد سریع تحلیل و کاوش کنید. این دوره نحوه بهره‌گیری از قدرت RDDها و DataFrameها برای دستکاری آسان داده‌ها را نشان می‌دهد.

یادگیری ماشین و علم داده با اسپارک

قابلیت‌های اصلی و کتابخانه‌های داخلی اسپارک، پیاده‌سازی الگوریتم‌های پیچیده مانند سیستم‌های توصیه‌گر را با خطوط کد بسیار کمی آسان می‌کند. ما مجموعه‌داده‌ها و الگوریتم‌های متنوعی از جمله PageRank، MapReduce و مجموعه داده‌های گراف را پوشش خواهیم داد.

محتوای دوره

مطالب جالب و کاربردی:

توصیه‌گر موسیقی با استفاده از روش حداقل مربعات متناوب (Alternating Least Squares) و مجموعه داده Audioscrobbler
DataFrameها و Spark SQL برای کار با داده‌های توییتر
استفاده از الگوریتم PageRank با مجموعه داده گراف وب گوگل
استفاده از Spark Streaming برای پردازش جریان داده
کار با داده‌های گراف با استفاده از مجموعه داده شبکه اجتماعی Marvel

و البته تمام ویژگی‌های پایه و پیشرفته اسپارک:

مجموعه‌های داده توزیع شده مقاوم (Resilient Distributed Datasets)، تبدیل‌ها (map، filter، flatMap)، عملیات (reduce، aggregate)
RDDهای جفتی (Pair RDDs)، reduceByKey، combineByKey
متغیرهای Broadcast و Accumulator
اسپارک برای MapReduce
API جاوا برای اسپارک
Spark SQL، Spark Streaming، MLlib و GraphFrames (GraphX برای پایتون)

سرفصل ها و درس ها

شما، این دوره و ما You, This Course and Us

مواد درسی Course Materials

شما، این دوره و ما You, This Course and Us

شما، این دوره و ما You, This Course and Us
شما، این دوره و ما You, This Course and Us
مواد دوره Course Materials

مقدمه ای بر Spark Introduction to Spark

دونالد رامسفلد چه ربطی به تحلیل داده ها دارد؟ What does Donald Rumsfeld have to do with data analysis?
چرا اسپارک خیلی باحاله؟ Why is Spark so cool?
کتابخانه های داخلی برای Spark Built-in libraries for Spark
نصب اسپارک Installing Spark
پوسته PySpark The PySpark Shell
تحولات و اقدامات Transformations and Actions
آن را در عمل ببینید: Munging Airlines Data با PySpark - I See it in Action : Munging Airlines Data with PySpark - I
[برای مبتدیان شل سیستم عامل لینوکس/مک] مسیر و سایر متغیرهای محیطی [For Linux/Mac OS Shell Newbies] Path and other Environment Variables

مقدمه ای بر اسپارک Introduction to Spark

دونالد رامسفلد چه ربطی به تجزیه و تحلیل داده ها دارد؟ What does Donald Rumsfeld have to do with data analysis?
چرا Spark اینقدر جذاب است؟ Why is Spark so cool?
مقدمه ای بر RDDs - Resilient Distributed Datasets An introduction to RDDs - Resilient Distributed Datasets
مقدمه ای بر RDD ها - مجموعه داده های توزیع شده انعطاف پذیر An introduction to RDDs - Resilient Distributed Datasets
کتابخانه های داخلی برای Spark Built-in libraries for Spark
نصب Spark Installing Spark
پوسته PySpark The PySpark Shell
تبدیلات و اقدامات Transformations and Actions
مشاهده در عمل: پاکسازی داده های ایرلاین ها با PySpark - بخش اول See it in Action : Munging Airlines Data with PySpark - I
[برای تازه کاران پوسته لینوکس/مک] مسیر و سایر متغیرهای محیطی [For Linux/Mac OS Shell Newbies] Path and other Environment Variables

مجموعه داده های توزیع شده انعطاف پذیر Resilient Distributed Datasets

ویژگی های RDD: نسب، RDD ها می دانند که از کجا آمده اند RDD Characteristics: Lineage, RDDs know where they came from
میانگین مسافت طی شده توسط یک پرواز با استفاده از عملیات map() و reduce(). Average distance travelled by a flight using map() and reduce() operations
دریافت پروازهای تاخیری با استفاده از filter()، داده های حافظه پنهان با استفاده از persist() Get delayed flights using filter(), cache data using persist()
میانگین تاخیر پرواز در یک مرحله با استفاده از aggregate() Average flight delay in one-step using aggregate()
آن را در عمل ببینید: تجزیه و تحلیل داده های خطوط هوایی با PySpark - II See it in Action : Analyzing Airlines Data with PySpark - II

مجموعه داده های توزیع شده انعطاف پذیر Resilient Distributed Datasets

ویژگی های RDD: پارتیشن ها و تغییرناپذیری RDD Characteristics: Partitions and Immutability
ویژگی های RDD: پارتیشن ها و تغییر ناپذیری RDD Characteristics: Partitions and Immutability
ویژگی های RDD: تبار، RDD ها می دانند از کجا آمده اند RDD Characteristics: Lineage, RDDs know where they came from
با RDD ها چه کاری می توانید انجام دهید؟ What can you do with RDDs?
با RDD ها چه کاری می توان انجام داد؟ What can you do with RDDs?
اولین RDD خود را از یک فایل ایجاد کنید Create your first RDD from a file
اولین RDD خود را از یک فایل ایجاد کنید Create your first RDD from a file
میانگین مسافت طی شده توسط یک پرواز با استفاده از عملیات map() و reduce() Average distance travelled by a flight using map() and reduce() operations
دریافت پروازهای با تاخیر با استفاده از filter()، کش کردن داده ها با استفاده از persist() Get delayed flights using filter(), cache data using persist()
میانگین تاخیر پرواز در یک مرحله با استفاده از aggregate() Average flight delay in one-step using aggregate()
هیستوگرام فراوانی تاخیرها با استفاده از countByValue() Frequency histogram of delays using countByValue()
هیستوگرام فرکانس تاخیرها با استفاده از countByValue() Frequency histogram of delays using countByValue()
مشاهده در عمل: تجزیه و تحلیل داده های ایرلاین ها با PySpark - بخش دوم See it in Action : Analyzing Airlines Data with PySpark - II

RDD های پیشرفته: مجموعه داده های زوجی توزیع شده انعطاف پذیر Advanced RDDs: Pair Resilient Distributed Datasets

جستجوی توضیحات فرودگاه با استفاده از lookup()، collectAsMap()، broadcast() Lookup airport descriptions using lookup(), collectAsMap(), broadcast()

RDD های پیشرفته: جفت مجموعه داده های توزیع شده انعطاف پذیر Advanced RDDs: Pair Resilient Distributed Datasets

تبدیلات و اقدامات ویژه Special Transformations and Actions
تحولات و اقدامات ویژه Special Transformations and Actions
میانگین تاخیر در هر فرودگاه، از ()reducByKey، mapValues() و join() استفاده کنید Average delay per airport, use reduceByKey(), mapValues() and join()
میانگین تاخیر در هر فرودگاه، استفاده از reduceByKey()، mapValues() و join() Average delay per airport, use reduceByKey(), mapValues() and join()
میانگین تاخیر در هر فرودگاه در یک مرحله با استفاده از ()combinbyKey Average delay per airport in one step using combineByKey()
میانگین تاخیر در هر فرودگاه در یک مرحله با استفاده از combineByKey() Average delay per airport in one step using combineByKey()
با استفاده از sortBy() فرودگاه های برتر را با تاخیر دریافت کنید Get the top airports by delay using sortBy()
دریافت فرودگاه های برتر بر اساس تاخیر با استفاده از sortBy() Get the top airports by delay using sortBy()
جستجوی توضیحات فرودگاه با استفاده از lookup()، collectAsMap()، broadcast() Lookup airport descriptions using lookup(), collectAsMap(), broadcast()
مشاهده در عمل: تجزیه و تحلیل داده های ایرلاین ها با PySpark - بخش سوم See it in Action : Analyzing Airlines Data with PySpark - III
آن را در عمل ببینید: تجزیه و تحلیل داده های خطوط هوایی با PySpark - III See it in Action : Analyzing Airlines Data with PySpark - III

Spark پیشرفته: انباشتگرها، Spark Submit، MapReduce، پشت صحنه Advanced Spark: Accumulators, Spark Submit, MapReduce , Behind The Scenes

دریافت اطلاعات از گره های پردازش فردی با استفاده از انباشته کننده ها Get information from individual processing nodes using accumulators
برنامه های طولانی در حال اجرا با استفاده از spark-submit Long running programs using spark-submit
آن را در عمل ببینید: اجرای یک اسکریپت پایتون با Spark-Submit See it in Action : Running a Python script with Spark-Submit
پشت صحنه: وقتی یک فیلمنامه Spark اجرا می شود چه اتفاقی می افتد؟ Behind the scenes: What happens when a Spark script runs?
آن را در عمل ببینید: MapReduce با Spark See it in Action : MapReduce with Spark

Advanced Spark: Accumulators، Spark Submit، MapReduce، پشت صحنه Advanced Spark: Accumulators, Spark Submit, MapReduce , Behind The Scenes

دریافت اطلاعات از گره های پردازشی فردی با استفاده از انباشتگرها Get information from individual processing nodes using accumulators
مشاهده در عمل: استفاده از متغیر انباشتگر See it in Action : Using an Accumulator variable
آن را در Action ببینید: با استفاده از یک متغیر Accumulator See it in Action : Using an Accumulator variable
برنامه های طولانی مدت با استفاده از spark-submit Long running programs using spark-submit
مشاهده در عمل: اجرای یک اسکریپت پایتون با Spark-Submit See it in Action : Running a Python script with Spark-Submit
پشت صحنه: هنگام اجرای یک اسکریپت Spark چه اتفاقی می افتد؟ Behind the scenes: What happens when a Spark script runs?
اجرای عملیات MapReduce Running MapReduce operations
اجرای عملیات MapReduce Running MapReduce operations
مشاهده در عمل: MapReduce با Spark See it in Action : MapReduce with Spark

Java و Spark Java and Spark

جاوا API و اشیاء تابع The Java API and Function objects
اجرای کد جاوا Running Java code
آن را در عمل ببینید: اجرای Spark Job با جاوا See it in Action : Running a Spark Job with Java

جاوا و اسپارک Java and Spark

API جاوا و اشیاء تابع The Java API and Function objects
RDD ها را در جاوا جفت کنید Pair RDDs in Java
RDD های زوجی در جاوا Pair RDDs in Java
اجرای کد جاوا Running Java code
نصب Maven Installing Maven
نصب Maven Installing Maven
مشاهده در عمل: اجرای یک Job Spark با جاوا See it in Action : Running a Spark Job with Java

PageRank: رتبه بندی نتایج جستجو PageRank: Ranking Search Results

الگوریتم PageRank The PageRank algorithm
به بهینه سازی در PageRank با استفاده از پارتیشن بندی سفارشی بپیوندید Join optimization in PageRank using Custom Partitioning

PageRank: رتبه بندی نتایج جستجو PageRank: Ranking Search Results

PageRank چیست؟ What is PageRank?
PageRank چیست؟ What is PageRank?
الگوریتم PageRank The PageRank algorithm
پیاده سازی PageRank در Spark Implement PageRank in Spark
پیاده سازی PageRank در Spark Implement PageRank in Spark
بهینه سازی Join در PageRank با استفاده از پارتیشن بندی سفارشی Join optimization in PageRank using Custom Partitioning
اقدام: الگوریتم PageRank با استفاده از Spark See it Action : The PageRank algorithm using Spark
مشاهده در عمل: الگوریتم PageRank با استفاده از Spark See it Action : The PageRank algorithm using Spark

Spark SQL Spark SQL

آن را در Action ببینید: Dataframes و Spark SQL See it in Action : Dataframes and Spark SQL

Spark SQL Spark SQL

Dataframes: RDD ها + جداول Dataframes: RDDs + Tables
فریم های داده: RDD + جداول Dataframes: RDDs + Tables
مشاهده در عمل: Dataframes و Spark SQL See it in Action : Dataframes and Spark SQL

MLlib در Spark: ساخت یک موتور توصیه گر MLlib in Spark: Build a recommendations engine

الگوریتم های فیلتر مشترک Collaborative filtering algorithms
تحلیل عاملی نهفته با روش حداقل مربعات متناوب Latent Factor Analysis with the Alternating Least Squares method
پیاده سازی کد در Spark با استفاده از MLlib Implement code in Spark using MLlib

MLlib در Spark: یک موتور توصیه بسازید MLlib in Spark: Build a recommendations engine

الگوریتم های فیلترینگ مشارکتی Collaborative filtering algorithms
تجزیه و تحلیل عامل پنهان با روش حداقل مربعات متناوب Latent Factor Analysis with the Alternating Least Squares method
توصیه های موسیقی با استفاده از مجموعه داده Audioscrobbler Music recommendations using the Audioscrobbler dataset
توصیه موسیقی با استفاده از مجموعه داده Audioscrobbler Music recommendations using the Audioscrobbler dataset
پیاده سازی کد در Spark با استفاده از MLlib Implement code in Spark using MLlib

Spark Streaming Spark Streaming

آن را در Action: Spark Streaming ببینید See it in Action : Spark Streaming

جریان جرقه Spark Streaming

مقدمه ای بر جریان Introduction to streaming
مقدمه ای بر استریمینگ Introduction to streaming
اجرای پردازش جریان در Spark با استفاده از Dstreams Implement stream processing in Spark using Dstreams
پیاده سازی پردازش استریم در Spark با استفاده از Dstreams Implement stream processing in Spark using Dstreams
تبدیلات حالت دار با استفاده از پنجره های کشویی Stateful transformations using sliding windows
تبدیل حالت با استفاده از پنجره های کشویی Stateful transformations using sliding windows
مشاهده در عمل: Spark Streaming See it in Action : Spark Streaming

کتابخانه های گراف Graph Libraries

کتابخانه های نموداری Graph Libraries

شبکه اجتماعی مارول با استفاده از نمودارها The Marvel social network using Graphs
شبکه اجتماعی Marvel با استفاده از گراف ها The Marvel social network using Graphs

برای ارسال نظر ثبت نام کنید.

آموزش از صفر تا یک: اسپارک برای علم داده با پایتون - آخرین آپدیت

دانلود From 0 to 1 : Spark for Data Science with Python

تحلیل داده با اسپارک: یادگیری ماشین، علم داده و تحلیل

پیش‌نیازها

تدریس شده توسط:

اسپارک چیست؟

تحلیل داده با اسپارک

یادگیری ماشین و علم داده با اسپارک

محتوای دوره

مطالب جالب و کاربردی:

و البته تمام ویژگی‌های پایه و پیشرفته اسپارک:

شما، این دوره و ما You, This Course and Us

مواد درسی Course Materials

شما، این دوره و ما You, This Course and Us

شما، این دوره و ما You, This Course and Us

شما، این دوره و ما You, This Course and Us

مواد دوره Course Materials

مقدمه ای بر Spark Introduction to Spark

دونالد رامسفلد چه ربطی به تحلیل داده ها دارد؟ What does Donald Rumsfeld have to do with data analysis?

چرا اسپارک خیلی باحاله؟ Why is Spark so cool?

کتابخانه های داخلی برای Spark Built-in libraries for Spark

نصب اسپارک Installing Spark

پوسته PySpark The PySpark Shell

تحولات و اقدامات Transformations and Actions

آن را در عمل ببینید: Munging Airlines Data با PySpark - I See it in Action : Munging Airlines Data with PySpark - I

[برای مبتدیان شل سیستم عامل لینوکس/مک] مسیر و سایر متغیرهای محیطی [For Linux/Mac OS Shell Newbies] Path and other Environment Variables

مقدمه ای بر اسپارک Introduction to Spark

دونالد رامسفلد چه ربطی به تجزیه و تحلیل داده ها دارد؟ What does Donald Rumsfeld have to do with data analysis?

چرا Spark اینقدر جذاب است؟ Why is Spark so cool?

مقدمه ای بر RDDs - Resilient Distributed Datasets An introduction to RDDs - Resilient Distributed Datasets

مقدمه ای بر RDD ها - مجموعه داده های توزیع شده انعطاف پذیر An introduction to RDDs - Resilient Distributed Datasets

کتابخانه های داخلی برای Spark Built-in libraries for Spark

نصب Spark Installing Spark

پوسته PySpark The PySpark Shell

تبدیلات و اقدامات Transformations and Actions

مشاهده در عمل: پاکسازی داده های ایرلاین ها با PySpark - بخش اول See it in Action : Munging Airlines Data with PySpark - I

[برای تازه کاران پوسته لینوکس/مک] مسیر و سایر متغیرهای محیطی [For Linux/Mac OS Shell Newbies] Path and other Environment Variables

مجموعه داده های توزیع شده انعطاف پذیر Resilient Distributed Datasets

ویژگی های RDD: نسب، RDD ها می دانند که از کجا آمده اند RDD Characteristics: Lineage, RDDs know where they came from

میانگین مسافت طی شده توسط یک پرواز با استفاده از عملیات map() و reduce(). Average distance travelled by a flight using map() and reduce() operations

دریافت پروازهای تاخیری با استفاده از filter()، داده های حافظه پنهان با استفاده از persist() Get delayed flights using filter(), cache data using persist()

میانگین تاخیر پرواز در یک مرحله با استفاده از aggregate() Average flight delay in one-step using aggregate()

آن را در عمل ببینید: تجزیه و تحلیل داده های خطوط هوایی با PySpark - II See it in Action : Analyzing Airlines Data with PySpark - II

مجموعه داده های توزیع شده انعطاف پذیر Resilient Distributed Datasets

ویژگی های RDD: پارتیشن ها و تغییرناپذیری RDD Characteristics: Partitions and Immutability

ویژگی های RDD: پارتیشن ها و تغییر ناپذیری RDD Characteristics: Partitions and Immutability

ویژگی های RDD: تبار، RDD ها می دانند از کجا آمده اند RDD Characteristics: Lineage, RDDs know where they came from

با RDD ها چه کاری می توانید انجام دهید؟ What can you do with RDDs?

با RDD ها چه کاری می توان انجام داد؟ What can you do with RDDs?

اولین RDD خود را از یک فایل ایجاد کنید Create your first RDD from a file

اولین RDD خود را از یک فایل ایجاد کنید Create your first RDD from a file

میانگین مسافت طی شده توسط یک پرواز با استفاده از عملیات map() و reduce() Average distance travelled by a flight using map() and reduce() operations

دریافت پروازهای با تاخیر با استفاده از filter()، کش کردن داده ها با استفاده از persist() Get delayed flights using filter(), cache data using persist()

میانگین تاخیر پرواز در یک مرحله با استفاده از aggregate() Average flight delay in one-step using aggregate()

هیستوگرام فراوانی تاخیرها با استفاده از countByValue() Frequency histogram of delays using countByValue()

هیستوگرام فرکانس تاخیرها با استفاده از countByValue() Frequency histogram of delays using countByValue()

مشاهده در عمل: تجزیه و تحلیل داده های ایرلاین ها با PySpark - بخش دوم See it in Action : Analyzing Airlines Data with PySpark - II

RDD های پیشرفته: مجموعه داده های زوجی توزیع شده انعطاف پذیر Advanced RDDs: Pair Resilient Distributed Datasets

جستجوی توضیحات فرودگاه با استفاده از lookup()، collectAsMap()، broadcast() Lookup airport descriptions using lookup(), collectAsMap(), broadcast()

RDD های پیشرفته: جفت مجموعه داده های توزیع شده انعطاف پذیر Advanced RDDs: Pair Resilient Distributed Datasets

تبدیلات و اقدامات ویژه Special Transformations and Actions

تحولات و اقدامات ویژه Special Transformations and Actions

میانگین تاخیر در هر فرودگاه، از ()reducByKey، mapValues() و join() استفاده کنید Average delay per airport, use reduceByKey(), mapValues() and join()

میانگین تاخیر در هر فرودگاه، استفاده از reduceByKey()، mapValues() و join() Average delay per airport, use reduceByKey(), mapValues() and join()

میانگین تاخیر در هر فرودگاه در یک مرحله با استفاده از ()combinbyKey Average delay per airport in one step using combineByKey()

میانگین تاخیر در هر فرودگاه در یک مرحله با استفاده از combineByKey() Average delay per airport in one step using combineByKey()

با استفاده از sortBy() فرودگاه های برتر را با تاخیر دریافت کنید Get the top airports by delay using sortBy()

دریافت فرودگاه های برتر بر اساس تاخیر با استفاده از sortBy() Get the top airports by delay using sortBy()

جستجوی توضیحات فرودگاه با استفاده از lookup()، collectAsMap()، broadcast() Lookup airport descriptions using lookup(), collectAsMap(), broadcast()

مشاهده در عمل: تجزیه و تحلیل داده های ایرلاین ها با PySpark - بخش سوم See it in Action : Analyzing Airlines Data with PySpark - III

آن را در عمل ببینید: تجزیه و تحلیل داده های خطوط هوایی با PySpark - III See it in Action : Analyzing Airlines Data with PySpark - III

Spark پیشرفته: انباشتگرها، Spark Submit، MapReduce، پشت صحنه Advanced Spark: Accumulators, Spark Submit, MapReduce , Behind The Scenes

دریافت اطلاعات از گره های پردازش فردی با استفاده از انباشته کننده ها Get information from individual processing nodes using accumulators

برنامه های طولانی در حال اجرا با استفاده از spark-submit Long running programs using spark-submit

آن را در عمل ببینید: اجرای یک اسکریپت پایتون با Spark-Submit See it in Action : Running a Python script with Spark-Submit

پشت صحنه: وقتی یک فیلمنامه Spark اجرا می شود چه اتفاقی می افتد؟ Behind the scenes: What happens when a Spark script runs?

آن را در عمل ببینید: MapReduce با Spark See it in Action : MapReduce with Spark

Advanced Spark: Accumulators، Spark Submit، MapReduce، پشت صحنه Advanced Spark: Accumulators, Spark Submit, MapReduce , Behind The Scenes

دریافت اطلاعات از گره های پردازشی فردی با استفاده از انباشتگرها Get information from individual processing nodes using accumulators

مشاهده در عمل: استفاده از متغیر انباشتگر See it in Action : Using an Accumulator variable