برنامه نویسی R در علم داده: داده های با سرعت بالا

مدرس Mark Niemann-Ross

انتشار 2018/09/29

مدت زمان 1h 21m

سطح متوسط

فایل تمرینی دارد

آموزش R Programming in Data Science: High Velocity Data

داده‌های با سرعت بالا - مانند اطلاعاتی که از دستگاه‌های توییتر و اینترنت اشیا سرچشمه می‌گیرند - با سرعتی فراتر از درک عادی وارد می‌شوند و نیاز به عملکرد بالا هم از سخت‌افزار و هم از نرم‌افزار دارند. در حالی که ممکن است در ابتدا برای این چالش به نظر نرسد، زبان برنامه نویسی R را می توان برای کار با داده های با سرعت بالا تقویت کرد. R که نزدیک به فلز با قرار گرفتن مستقیم در بالای زبان برنامه نویسی C نوشته شده است، مجموعه ای غنی از ساختارهای داده و مفاهیم را ارائه می دهد. این دوره به برنامه‌نویسی کارآمد R می‌پردازد و استراتژی‌های عملی ارائه می‌دهد که می‌تواند به شما کمک کند موجو خود را روی داده‌های با سرعت بالا کار کنید.\r\n\r\n او سپس نحوه استفاده از R برای به دست آوردن داده های با سرعت بالا و همچنین نحوه استفاده از ابزارهای پروفایل و بهینه سازی کد R برای استفاده با داده های با سرعت بالا را پوشش می دهد. او با بررسی نحوه استفاده از R برای ارائه داده‌ها، از جمله نحوه استفاده از Shiny - یک بسته R که به شما امکان می‌دهد برنامه‌های وب را مستقیماً از R بسازید - برای داشبوردهای تعاملی، به پایان می‌رسد.

Big Data R (Programming Language) RStudio

Introduction

How can you use R with high-velocity data? ()

1. Problems and Opportunities with High-Velocity Data

Perspectives on high-velocity data ()

Simulating high-velocity data ()

Concepts of batch data ()

Handling batch data with R ()

Working with near real-time data ()

Handling near real-time data with R ()

Concepts of real-time data ()

Handling real-time data with R ()

Setting a default CRAN mirror ()

2. Using R to Acquire High-Velocity Data

Polling for data in R ()

Interrupt-driven data acquisition with R ()

3. Profiling Tools for R

Tools ()

Profvis ()

Rprof ()

microbenchmark ()

4. Optimizing R to Process High-Velocity Data

Improving the speed of loops ()

Optimizing if... then... else with ifelse ()

Avoid copying data ()

Combining optimizations ()

Use RCPP to speed up functions ()

Using microbenchmark to check results ()

5. Using R to Present High-Velocity Data

Static and dynamic reports ()

Use R Markdown for static dashboards ()

Flexdashboard and other enhancements for static reports ()

Use Shiny for interactive dashboards ()

Use plumber to create APIs ()

Cran task view for WebTechnologies ()

Conclusion

Summary ()

R_Programming_Data_Science.zip (2.6 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.