Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
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
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات
نظری ارسال نشده است.