Note :
Le livre fournit une vue d'ensemble fondamentale des concepts Microsoft Azure et DevOps, mais de nombreux utilisateurs trouvent qu'il manque de profondeur et de meilleures pratiques. Son approche centrée sur Java fait qu'il est difficile pour les lecteurs ayant une formation DotNet de s'engager pleinement dans le matériel. L'utilisation de captures d'écran et d'un format de type tutoriel est considérée à la fois comme une force et une faiblesse.
Avantages:⬤ Bien écrit
⬤ facile à suivre pour les programmeurs expérimentés
⬤ bonne vue d'ensemble de Microsoft Azure PaaS
⬤ couvre l'intégration continue et la livraison continue
⬤ pratique avec de nombreuses captures d'écran
⬤ certains lecteurs l'ont trouvé utile pour les débutants.
⬤ Pas de plongée profonde dans les sujets
⬤ l'accent mis sur Java peut aliéner les développeurs DotNet
⬤ manque de couverture des meilleures pratiques
⬤ le contenu peut sembler superficiel
⬤ sert principalement de marche à suivre plutôt que de guide complet.
(basé sur 7 avis de lecteurs)
Implementing DevOps with Microsoft Azure: Automate your deployments and incorporate the DevOps culture
Créez des applications d'apprentissage automatique évolutives pour alimenter une entreprise moderne axée sur les données à l'aide de Spark 2. x.
Caractéristiques principales
⬤ Prendre en main la dernière version d'Apache Spark.
⬤ Utilisez la bibliothèque d'apprentissage automatique de Spark pour mettre en œuvre l'analyse prédictive.
⬤ Les outils puissants de Spark permettent de charger, d'analyser, de nettoyer et de transformer vos données.
Description du livre
Ce livre vous enseignera les algorithmes populaires d'apprentissage automatique et leur mise en œuvre. Vous apprendrez comment divers concepts d'apprentissage automatique sont mis en œuvre dans le contexte de Spark ML. Vous commencerez par installer Spark dans un cluster simple et multi-nœuds. Ensuite, vous verrez comment exécuter des programmes basés sur Scala et Python pour Spark ML. Ensuite, nous prendrons quelques ensembles de données et nous approfondirons le clustering, la classification et la régression. Vers la fin, nous couvrirons également le traitement de texte à l'aide de Spark ML.
Une fois que vous avez appris les concepts, ils peuvent être appliqués pour mettre en œuvre des algorithmes dans des implémentations " green-field " ou pour migrer des systèmes existants vers cette nouvelle plateforme. Vous pouvez migrer de Mahout ou Scikit vers Spark ML.
À la fin de ce livre, vous aurez acquis les compétences nécessaires pour exploiter les fonctionnalités de Spark afin de créer vos propres applications d'apprentissage automatique évolutives et de mettre en place une entreprise moderne axée sur les données.
Ce que vous apprendrez
⬤ Mettre la main à la pâte avec la dernière version de Spark ML.
⬤ Créer votre premier programme Spark avec Scala et Python.
⬤ Mettre en place et configurer un environnement de développement pour Spark sur votre propre ordinateur, ainsi que sur Amazon EC2.
⬤ Accéder à des ensembles de données publiques d'apprentissage automatique et utiliser Spark pour charger, traiter, nettoyer et transformer les données.
⬤ Utiliser la bibliothèque d'apprentissage automatique de Spark pour mettre en œuvre des programmes en utilisant des modèles d'apprentissage automatique bien connus.
⬤ Traiter des données textuelles à grande échelle, y compris l'extraction de caractéristiques et l'utilisation de données textuelles en tant qu'entrée de vos modèles d'apprentissage automatique.
⬤ Les fonctions Spark permettent d'évaluer les performances des modèles d'apprentissage automatique.
A qui s'adresse ce livre ?
Si vous avez une connaissance de base de l'apprentissage automatique et que vous souhaitez mettre en œuvre divers concepts d'apprentissage automatique dans le contexte de Spark ML, ce livre est fait pour vous. Vous devez avoir une bonne connaissance des langages Scala et Python.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)