Scienza dei dati applicata con Pyspark: Imparare il ciclo di costruzione di modelli predittivi end-to-end

Recensioni dei lettori

Le recensioni del libro evidenziano un'accoglienza mista, con alcuni utenti che apprezzano la copertura di PySpark, soprattutto nei primi capitoli, e la facilità di passaggio per gli utenti Python. Tuttavia, diverse critiche menzionano la mancanza di profondità, la scarsa qualità della scrittura e i dettagli insufficienti, che portano alla frustrazione per la sua esecuzione complessiva.

⬤ Copre bene PySpark, soprattutto nei capitoli iniziali
⬤ utile per l'autoapprendimento e la transizione da Python a PySpark
⬤ buoni esempi forniti
⬤ utile per i principianti e gli studenti intermedi di scienza dei dati.

⬤ Scritto male con molti errori
⬤ manca di informazioni tecniche dettagliate e di chiarezza
⬤ esempi banali e spiegazione insufficiente delle opzioni
⬤ esecuzione complessiva giudicata insoddisfacente
⬤ significativa insoddisfazione per la redazione e la qualità dei contenuti.

(basato su 5 recensioni dei lettori)

Titolo originale:

Applied Data Science Using Pyspark: Learn the End-To-End Predictive Model-Building Cycle

Contenuto del libro:

Scoprite le capacità di PySpark e le sue applicazioni nel campo della scienza dei dati. Questa guida completa, con esempi selezionati di casi d'uso quotidiani, vi guiderà attraverso il ciclo end-to-end di creazione di modelli predittivi con le tecniche più recenti e i trucchi del mestiere.

Applied Data Science Using PySpark è suddiviso in sei sezioni che accompagnano l'utente attraverso il libro. Nella sezione 1 si inizia con le basi di PySpark, concentrandosi sulla manipolazione dei dati. Vi mettiamo a vostro agio con il linguaggio e poi ci basiamo su di esso per introdurvi alle funzioni matematiche disponibili a scaffale. Nella sezione 2, vi immergerete nell'arte della selezione delle variabili, dimostrando le varie tecniche di selezione disponibili in PySpark. Nella sezione 3, vi accompagneremo in un viaggio attraverso gli algoritmi di apprendimento automatico, le implementazioni e le tecniche di messa a punto. Parleremo anche delle diverse metriche di validazione e di come utilizzarle per scegliere i modelli migliori. Le sezioni 4 e 5 illustrano le pipeline di apprendimento automatico e i vari metodi disponibili per rendere operativo il modello e servirlo tramite Docker/un'API. Nell'ultima sezione, vengono illustrati gli oggetti riutilizzabili per facilitare la sperimentazione e si apprendono alcuni trucchi che possono aiutare a ottimizzare i programmi e le pipeline di apprendimento automatico.

Alla fine di questo libro, avrete capito la flessibilità e i vantaggi di PySpark nelle applicazioni di data science. Questo libro è consigliato a chi vuole sfruttare la potenza del calcolo parallelo lavorando contemporaneamente con grandi insiemi di dati.

Cosa imparerete

⬤ Costruire un modello predittivo end-to-end.

⬤ Implementare tecniche di selezione di più variabili.

⬤ Funzionalizzare i modelli.

⬤ Padroneggiare diversi algoritmi e implementazioni.

Per chi è questo libro?

Scienziati di dati e ingegneri di machine learning e deep learning che vogliono imparare e utilizzare PySpark per l'analisi in tempo reale di dati in streaming.