8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Наука данных облачных вычислений (США) Valliappa Lakshmanan (Valliappa Lakshman) - это оригинальная книга о переведенной базе данных Ma Rui.

Цена: 1 657руб.    (¥78.4)
Артикул: 618980954656

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:新宏图书专业店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 25 21.25450руб.
¥27571руб.
¥ 67 46.9991руб.
¥ 15 12.45264руб.

www.taobao.com

Наука данных на основе облачных вычислений

делать  (Красота) Valoa&Middot;
Конечно   цена:98
из&Ensp; издание&Encp; Общество:Китайский электроэнергетический пресс
Дата публикации:01 января 2020 года
Страница &Nbsp; номер:409
Пакет   кадр:Оплата в мягкой обложке
ISBN:9787519840136
www.taobao.com
Предисловие 1
Главы принимают лучшие решения с данными 9
Много подобных решений 11
Роль инженера по данным 12
Облачные вычисления делают возможными инженеров данных 14
Облачные вычисления позволяют возможностям науки об удвоении 18
Используйте тематические исследования, чтобы выявить истину сложного решения 20
Решение на основе вероятности 21
Данные и инструменты 27
Запись кода 28
Резюме этой главы 30
Глава 2 Данные в облаке 31
Авиакомпания квази -точковые данные 31
Знание 33
обучение–
Программа 35
Атрибут набора данных 36
Почему бы не хранить данные локально?38
Расширить вверх 40
Расширение уровня 42
Используйте Colossus и Jupiter, чтобы сохранить данные на месте 44
Приглашение данных 47
Обратная инженерия 48 в веб -форме 48
Набор данных 51
Исследование данных и очистка 53
Загрузить данные в Google Cloud Storage 55
Ежемесячный план 58
Используйте данные о приглашении Python 61
FlaskWebApp68
Запустить 69 на Appengine
Убедитесь, что безопасность URL 70
Планируйте Cron Task 70
Резюме этой главы 73
Код эксперимент 74
Глава 3 Создайте поразительную доску инструмента 76
Используйте плату приборов данных, чтобы объяснить модель 77
Зачем сначала строить панель данных?79
Точный, верный и хороший дизайн 80
Загрузите данные в Googlecloudsql83
Создать googlecloudsql экземпляр 83
Взаимодействие с платформой Google Cloud Computing 84
Контролировать доступ к MySQL 86
Создать таблицу 87
Заполните данные в таблице 89
Создайте модель 90
Аварийная таблица 91
Пороговая оптимизация 92
Машинное обучение 93
Создайте плату прибора данных 94
DataStudio Начало работы 94
Создайте рисунок 96
Добавить Control 98 к конечным пользователям 98
Используйте диаграмму тортов, чтобы отобразить долю 100
Объясните экстренную таблицу 105
Резюме этой главы 107
Глава 4 Данные потока: выпуск и проглатывание 109
Design Event Feed 109
Время школа 112
ApacheBeam/CloudDataflow113
Анализ данных аэропорта 115
Добавить информацию о часовом поясе 116
Преобразовать время в UTC117
Пересмотренная дата 120
Создать событие 121
Запустите конвейер данных в облаке 122
Разместите поток событий в CloudPub/sub126
Получите запись данных, которая будет выпущена 129
Страница на записях данных 130
Создайте коллекцию событий 130
Коллекция событий выпуска 131
Реальная обработка потока 132
Потоковые данные в Javadataflow 133
Выполнить обработку данных 138
Используйте BigQuery для анализа данных потока 140
Реальная плата приборов данных 141
Резюме этой главы 144
Глава 5 Изучение данных о совместимости 145
Изучение анализа данных 146
Загрузите данные полета в BigQuery 148
Преимущества базы данных 148 сервера 148
Контроль доступа 151
Совместный запрос 156
Возьмите файл CSV 158
Анализ данных разведки в CloudDatalab 164
Журнальная книжка Jupyter 165
CloudDatalab166
Установить программный пакет 169 в CloudDatalab
Команда Jupyter Magic 170 для платформы Google Cloud Computing
Контроль качества 176
Ненормальное значение 176
Четкие ненормальные данные: большие данные разные 178
Различные задержки в условиях задержки 182
Применение вероятности принятия решения о вероятности 184
Опыт вероятность распределения вероятности 185
Ответ 187
Оценка модель 188
Группа случайных расстройств 188
Разделен на дату 189
Обучение и тест 191
Резюме этой главы 196
Глава 6 Байесовский классификатор 197 на CloudDataproc
MapReduce и Hadoop Ecosystem 197
Принцип работы MapReduce 198
ApacheHadoop200
GoogleCloudDataproc200
Нужен лучший инструмент 202
Следуйте задаче, а не кластеру 204
Операция инициализации 205
Используйте sparksql для количественной оценки 206
Googleclouddatalab208 на CloudDataproc
Используйте BigQuery для независимой проверки 209
Sparksql211 в Googleclouddatalab
Сбалансированный график рецепта 215
Динамический корректирующий кластер размер 219
Используйте свинью для достижения байесовской классификации 222
Запустите The Wind Task 224 на CloudDataproc 224
Ограничьте дату в наборе данных обучения 225
Стандарт решения 226
Оценить байесовскую модель 229
Резюме этой главы 231
ГЛАВА 7 МАШИЧЕСКОЕ Обучение: логика на искру возвращается в 233
Логическая регрессия 234
Библиотека Spark Machine Learning 237
Начните использовать Spark Machine Learning 238
Spark Logic return 239
Создайте обучающий набор данных 241
Лечение граничной ситуации 243
Создать пример обучения 245
Обучение 246
Используйте модель, чтобы предсказать 249
Оценить модель 250
Функциональная инженерия 253
Экспериментальная структура 254
Создайте зарезервированный набор данных 257
Выбор функций 258
Замена и сдвиг точек признаков 261
Преобразование функций 263
Переменная классификация 267
Расширение, повторное и реальное время 269
Резюме этой главы 270
Глава 8 Особенности полимеризации временного окна 272
Спрос на среднее время 272
DataFlow274 в Java
Создать среду разработки 275
Используйте данные фильтра луча 276
Параметры управления и текст ввода/у O280 из конвейера данных
Запустить 281 в облаке
Анализ как объект 283
Рассчитайте в среднем 286
Группировка и слияние 286
Параллельное выполнение и боковой вход 289
Отладка 291
BigQueryIO292
Конвертировать объекты полета 294
Расчет раздвижного окна в режиме партийной обработки 295
Запустить 297 в облаке
Мониторинг, исключение сбоев и корректировка производительности 299
Исключение сбоя трубы данных 301
Ограниченный предел бокового входа 302
Уменьшить конвейер данных 305
Удалить дубликаты элементов 307
Резюме этой главы 310
Глава 9 Классификатор машинного обучения 312 Используйте TensorFlow
Используйте более сложные модели 313
Прочитайте данные в TensorFlow317
Установить эксперимент 322
Линейный классификатор 323
Поезда и оценка входной функции 325
Функция ввода службы 326
Создайте эксперимент 326
Исполнительное обучение 327
Распределенное обучение в облаке 329
Улучшить ML Model 331
Модель глубокой нейронной сети 332
Встраивать 335
Широкая модель 337
Super Recasess Adgrated 341
Модель развертывания 349
Используйте модель прогнозирование 350
Объяснение этой модели 351
Резюме этой главы 353
Глава 0 Реальное -машинное обучение 355
Служба прогнозирования звонков 356
Java Class 357 Используется для запросов на обслуживание и ответов
Отправьте запрос и проанализируйте ответ 359
Клиент 360 для прогнозирования услуг
Добавить результаты прогнозирования в информацию о полете 361
Входной и вывод пакета 361
Трубопровод обработки данных 363
Признайте неверный ответ на обслуживание 364
Запрос на службу партийной обработки 365
Потоковой трубопровод данных 367
Flat Pcollections368
Выполните потоковой конвейер 369
Задержанные и беспорядочные данные данных 371
Водяной знак и триггер 376
Дела, пропускная способность и задержка 378
Несколько дополнительных приемников потока 379
CloudBigtable380
Дизайн Таблица 382
Ключ линии дизайна 383
Плюс -тип передача в CloudBigtable384
Данные запроса в CloudBigtable 386
Производительность модели оценки 387
Необходимость непрерывной подготовки 388
Канал оценки 389
Оценка эффективности 391
Распределение краев 391
Проверьте поведение модели 393
Поведение распознавания меняется 396
Резюме этой главы 398
Резюме 398
Приложение, связанное с ним
www.taobao.com

краткое введение

В этой книге вы узнаете:
Используйте приложения Appengine для достижения автоматического регулярного потребления данных.
Создайте и генерируйте панели данных в Googledastudio.
Создайте реальные трубопроводы анализа данных и реализуйте анализ потоковых данных.
Используйте GoogleBigQuery для изучения взаимодействующих данных.
Создайте байесовскую модель в кластере CloudDataproc.
Используйте Spark, чтобы создать модель машинного обучения логической регрессии.
Рассчитайте функции агрегации времени с помощью конвейера данных CloudDataFlow.
Используйте TensorFlow, чтобы построить модель прогнозирования с высокой производительности.
Разверните свою модель в качестве микросервисов и используйте ее из пакетной обработки и реальных конвейеров данных.

www.taobao.com