برنامه‌نویسی موازی با Dask در Python

استفاده از پردازش موازی برای افزایش سرعت کدهای Python

در این دوره 4 ساعته، خواهید آموخت که پردازش موازی با استفاده از Dask در Python چگونه می‌تواند گردش های کاری شما را سریع‌تر کند.

هنگام کار با داده‌ حجیم معمولاً با دو چالش اصلی روبه‌رو می‌شوید: مصرف بیش از حد حافظه و زمان اجرای طولانی. کتابخانه Dask با بارگذاری بخش‌هایی از داده تنها در زمان نیاز، مصرف حافظه را کاهش می‌دهد. همچنین با استفاده هم‌زمان از تمام هسته‌های پردازشی سیستم، زمان اجرا را کوتاه‌تر می‌کند. بهترین بخش این است که برای استفاده از آن تنها به تغییرات بسیار کمی در کدهای فعلی Python خود نیاز دارید.

تحلیل داده ساخت‌یافته بزرگ با استفاده از Dask DataFrames

در این دوره از Dask برای تحلیل داده آهنگ‌های Spotify، پردازش تصاویر حرکات زبان اشاره، محاسبه روندهای داده آب‌وهوا، تحلیل فایل‌های صوتی و آموزش مدل‌های یادگیری ماشین روی داده حجیم استفاده می‌شود.

در ابتدا با یادگیری مبانی Dask شروع کرده و بررسی می‌کنید که پردازش موازی در Python چگونه می‌تواند تقریباً هر کدی را سریع‌تر اجرا کند. سپس با Dask DataFrames و آرایه‌ها آشنا می‌شوید و یاد می‌گیرید چگونه از آن‌ها برای تحلیل داده ساخت‌یافته بزرگ استفاده کنید.

آموزش مدل‌های یادگیری ماشین با استفاده از Dask-ML

در ادامه و طی 51 تمرین این دوره، یاد می‌گیرید چگونه هر نوع داده‌ای را پردازش کنید و با استفاده از Dask bags روی داده ساخت‌یافته و بدون ساختار کار کنید. در پایان نیز می‌آموزید چگونه با استفاده از Dask در Python مدل‌های یادگیری ماشین را آموزش داده و سرعت پردازش سیستم خود را افزایش دهید.