نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
ماژول Spark Streaming به شما امکان می دهد با استفاده از انتزاعات پردازش دسته ای آشنا ، با داده های جریان در مقیاس بزرگ کار کنید. این دوره با نحوه انجام تحولات و عملکردهای استاندارد در جریان ها شروع می شود و به سمت موضوعات پیشرفته تر حرکت می کند. همه را بزرگ کنید بررسی اجمالی دوره 2m 0s شروع با جریانهای گسسته شده 42 متر 13 ثانیه تبدیل بلوک داده ها با DStreams 33m 39s استفاده از الگوریتم های ML در DStreams 41m 34s ساخت یک برنامه جرقه قوی 35 متر 54s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شروع با جریانهای گسسته شده
Getting Started with Discretized Streams
-
محدودیت های رایانش توزیع شده سنتی
Limitations of Traditional Distributed Computing
-
جرقه ای برای پردازش در زمان واقعی
Spark for Real-time Processing
-
مقدمه ای برای پخش جریانی
Introduction to Streaming
-
انتزاع برنامه نویسی RDD
The RDD Programming Abstraction
-
با استفاده از پوسته تعاملی Pyspark
Using the Pyspark Interactive Shell
-
جریانهای بی اعتبار
Discretized Streams
-
کار با Streaming Data در Spark با استفاده از Python
Working with Streaming Data in Spark Using Python
-
اجرای اولین برنامه پخش جریانی خود در Spark
Running Your First Streaming Application in Spark
تبدیل بلوک داده ها با DStreams
Transforming Blocks of Data with DStreams
-
تحولات بدون دولت و دولت
Stateless and Stateful Transformations
-
تابع () updateStateByKey
The updateStateByKey() Function
-
پیاده سازی updateStateByKey ()
The updateStateByKey() Implementation
-
عملیات پنجره کشویی
Sliding Window Operations
-
تغییر شکل countByWindow ()
The countByWindow() Transformation
-
توابع خلاصه و معکوس
Summary and Inverse Functions
-
تحول () changeByWindow
The reduceByWindow() Transformation
-
تغییر (کاهشByKeyAndWindow)
The reduceByKeyAndWindow() Transformation
استفاده از الگوریتم های ML در DStreams
Applying ML Algorithms on DStreams
-
خوشه بندی داده ها برای یافتن الگوها
Clustering Data to Find Patterns
-
الگوریتم خوشه بندی K-means
The K-means Clustering Algorithm
-
Streaming الگوریتم خوشه بندی به معنای K است
The Streaming K-means Clustering Algorithm
-
فراموشی با استفاده از عامل پوسیدگی
Forgetfulness Using the Decay Factor
-
فراموشی با استفاده از نیمه عمر
Forgetfulness Using Half-life
-
پیاده سازی الگوریتم خوشه بندی Streaming K-means
Implementing the Streaming K-means Clustering Algorithm
-
اجرای الگوریتم K-means در داده های موقعیت مکانی توییتر
Running the K-means Algorithm on Twitter Location Data
-
الگوریتم K- به معنی ضریب پوسیدگی صفر
The K-means Algorithm with a Decay Factor of Zero
ساخت یک برنامه جرقه قوی
Building a Robust Spark Streaming Application
-
بازرسی از جریان برنامه های جرقه
Checkpointing Streaming Spark Applications
-
اتصال به Twitter Streaming API
Connecting to the Twitter Streaming API
-
جریان داده های توییتر در یک سوکت
Streaming Twitter Data to a Socket
-
هشتگهای پرطرفدار با استفاده از جریان جرقه ای
Trending Hashtags Using Spark Streaming
-
راننده ، مجری و گیرنده
The Driver, Executor, and Receiver
-
تحمل خطای درایور با استفاده از Checkpointing
Driver Fault Tolerance Using Checkpointing
-
تحمل خطا در مورد مجری و گیرنده
Executor and Receiver Fault Tolerance
نمایش نظرات