لایب سان

Leverage the power of Scala and master the art of building, improving, and validating scalable machine learning and AI applications using Scala's most advanced and finest features

About This Book

• Build functional, type-safe routines to interact with relational and NoSQL databases with the help of the tutorials and examples provided
• Leverage your expertise in Scala programming to create and customize your own scalable machine learning algorithms
• Experiment with different techniques; evaluate their benefits and limitations using real-world financial applications
• Get to know the best practices to incorporate new Big Data machine learning in your data-driven enterprise and gain future scalability and maintainability

Who This Book Is For

This Learning Path is for engineers and scientists who are familiar with Scala and want to learn how to create, validate, and apply machine learning algorithms. It will also benefit software developers with a background in Scala programming who want to apply machine learning.

What You Will Learn

• Create Scala web applications that couple with JavaScript libraries such as D3 to create compelling interactive visualizations
• Deploy scalable parallel applications using Apache Spark, loading data from HDFS or Hive
• Solve big data problems with Scala parallel collections, Akka actors, and Apache Spark clusters
• Apply key learning strategies to perform technical analysis of financial markets
• Understand the principles of supervised and unsupervised learning in machine learning
• Work with unstructured data and serialize it using Kryo, Protobuf, Avro, and AvroParquet
• Construct reliable and robust data pipelines and manage data in a data-driven enterprise
• Implement scalable model monitoring and alerts with Scala

In Detail

This Learning Path aims to put the entire world of machine learning with Scala in front of you.

Scala for Data Science, the first module in this course, is a tutorial guide that provides tutorials on some of the most common Scala libraries for data science, allowing you to quickly get up to speed building data science and data engineering solutions.

The second course, Scala for Machine Learning guides you through the process of building AI applications with diagrams, formal mathematical notation, source code snippets, and useful tips. A review of the Akka framework and Apache Spark clusters concludes the tutorial.

The next module, Mastering Scala Machine Learning, is the final step in this course. It will take your knowledge to next level and help you use the knowledge to build advanced applications such as social media mining, intelligent news portals, and more. After a quick refresher on functional programming concepts using REPL, you will see some practical examples of setting up the development environment and tinkering with data. We will then explore working with Spark and MLlib using k-means and decision trees.

By the end of this course, you will be a master at Scala machine learning and have enough expertise to be able to build complex machine learning projects using Scala.

This Learning Path combines some of the best that Packt has to offer in one complete, curated package. It includes content from the following Packt products:

• Scala for Data Science, Pascal Bugnion
• Scala for Machine Learning, Patrick Nicolas
• Mastering Scala Machine Learning, Alex Kozlov

Style and approach

A tutorial with complete examples, this course will give you the tools to start building useful data engineering and data science solutions straightaway. This course provides practical examples from the field on how to correctly tackle data analysis problems, particularly for modern Big Data datasets.

چکیده فارسی

از قدرت اسکالا استفاده کنید و با استفاده از پیشرفته ترین و بهترین ویژگی های اسکالا بر هنر ساختن، بهبود و اعتبارسنجی برنامه های یادگیری ماشینی مقیاس پذیر و هوش مصنوعی مسلط شوید

درباره این کتاب

• روالهای کاربردی و ایمن برای تعامل با پایگاه داده های رابطه ای و NoSQL با کمک آموزش ها و مثال های ارائه شده بسازید
• از تخصص خود در برنامه نویسی اسکالا برای ایجاد و سفارشی سازی الگوریتم های یادگیری ماشینی مقیاس پذیر خود استفاده کنید
• تکنیک های مختلف را آزمایش کنید. مزایا و محدودیت‌های آن‌ها را با استفاده از برنامه‌های مالی دنیای واقعی ارزیابی کنید
• آشنایی با بهترین شیوه ها برای گنجاندن یادگیری ماشینی جدید Big Data در شرکت مبتنی بر داده خود و دستیابی به مقیاس پذیری و نگهداری در آینده

این کتاب برای چه کسی است

این مسیر یادگیری برای مهندسین و دانشمندانی است که با اسکالا آشنا هستند و می‌خواهند نحوه ایجاد، اعتبارسنجی و استفاده از الگوریتم‌های یادگیری ماشین را بیاموزند. همچنین به توسعه‌دهندگان نرم‌افزار با سابقه برنامه‌نویسی Scala که می‌خواهند یادگیری ماشینی را اعمال کنند، مفید خواهد بود.

آنچه خواهید آموخت

• برنامه‌های وب Scala را ایجاد کنید که با کتابخانه‌های جاوا اسکریپت مانند D3 برای ایجاد تجسم‌های تعاملی متقاعدکننده ترکیب شوند
• برنامه‌های موازی مقیاس‌پذیر را با استفاده از Apache Spark، بارگیری داده‌ها از HDFS یا Hive اجرا کنید
• مشکلات کلان داده را با مجموعه‌های موازی Scala، بازیگران Akka و خوشه‌های Apache Spark حل کنید
• از استراتژی های یادگیری کلیدی برای انجام تحلیل تکنیکال بازارهای مالی استفاده کنید
• اصول یادگیری تحت نظارت و بدون نظارت در یادگیری ماشین را بدانید
• با داده های بدون ساختار کار کنید و آنها را با استفاده از Kryo، Protobuf، Avro، و AvroParquet سریال کنید
• خطوط داده های قابل اعتماد و قوی بسازید و داده ها را در یک شرکت داده محور مدیریت کنید
• نظارت و هشدارهای مدل مقیاس پذیر را با Scala پیاده سازی کنید

در جزئیات

این مسیر یادگیری با هدف قرار دادن کل دنیای یادگیری ماشینی با Scala در مقابل شما است.

Scala for Data Science، اولین ماژول در این دوره، یک راهنمای آموزشی است که آموزش‌هایی را در مورد برخی از رایج‌ترین کتابخانه‌های Scala برای علم داده ارائه می‌دهد و به شما امکان می‌دهد به سرعت به سرعت ساخت علم داده و راه‌حل‌های مهندسی داده برسید.

دوره دوم، Scala for Machine Learning شما را در فرآیند ساخت برنامه‌های هوش مصنوعی با نمودارها، نمادهای ریاضی رسمی، قطعه‌های کد منبع و نکات مفید راهنمایی می‌کند. مروری بر چارچوب Akka و خوشه‌های Apache Spark آموزش را به پایان می‌رساند.

ماژول بعدی، تسلط بر یادگیری ماشینی اسکالا، آخرین مرحله در این دوره است. این دانش شما را به سطح بالاتری می برد و به شما کمک می کند از دانش برای ساخت برنامه های کاربردی پیشرفته مانند استخراج رسانه های اجتماعی، پورتال های خبری هوشمند و غیره استفاده کنید. پس از بازنگری سریع مفاهیم برنامه نویسی کاربردی با استفاده از REPL، چند نمونه عملی از راه اندازی محیط توسعه و دستکاری داده ها را مشاهده خواهید کرد. سپس کار با Spark و MLlib را با استفاده از k-means و درخت های تصمیم بررسی می کنیم.

در پایان این دوره، شما در یادگیری ماشینی اسکالا استاد خواهید شد و از تخصص کافی برای ساختن پروژه‌های یادگیری ماشینی پیچیده با استفاده از اسکالا برخوردار خواهید بود.

این مسیر یادگیری برخی از بهترین‌هایی را که Packt ارائه می‌کند در یک بسته کامل و منتخب ترکیب می‌کند. این شامل محتوای محصولات Packt زیر است:

• Scala for Data Science، Pascal Bugnion
• Scala for Machine Learning، پاتریک نیکلاس
• تسلط بر یادگیری ماشینی اسکالا، الکس کوزلوف

سبک و رویکرد

این دوره آموزشی با مثال‌های کامل، ابزارهایی را در اختیار شما قرار می‌دهد تا فوراً راه‌حل‌های مفید مهندسی داده و علم داده را بسازید. این دوره نمونه‌های عملی را از این زمینه در مورد نحوه برخورد صحیح با مشکلات تجزیه و تحلیل داده‌ها، به ویژه برای مجموعه داده‌های کلان مدرن ارائه می‌دهد.