#spark Repositories
Insgesamt 126 Repositories
Kennen Sie Ihre Daten besser! Datavines ist die Next-gen Data Observability Platform, die Metadatenverwaltung und Datenqualität unterstützt.
Dieses System ist mein Abschlussprojekt mit dem Titel „Design und Implementierung eines Empfehlungssystems basierend auf Benutzerprofilen“. Es verwendet hauptsächlich Django als Basis-Framework im MTV-Modell, wobei MongoDB, MySQL und Redis als Datenbanken zum Einsatz kommen. Die Filmdaten, die von der Douban-Plattform gesammelt wurden, dienen als primäre Datenquelle. Benutzer-Tags werden hauptsächlich auf der Grundlage grundlegender Benutzerinformationen und Verhaltensinformationen wie Nutzungsvorgänge entwickelt. Als Empfehlungssystem werden Big-Data-Komponenten wie Hadoop und Spark für Analyse und Verarbeitung eingesetzt. Für das Managementsystem wird das integrierte Verwaltungssystem von Django verwendet, das mit SimpleUI verschönert wurde.
WeDataSphere ist eine financial-grade, one-stop Big-Data-Plattform-Suite.
Vergleich von Pandas, Polars, Spark und Snowpark DataFrame für Menschen und mehr!
Ein leichtgewichtiger, mandantenfähiger, skalierbarer und sicherer Gateway, der es Jupyter Notebooks ermöglicht, Ressourcen über verteilte Cluster wie Apache Spark, Kubernetes und andere zu teilen.
Plattformübergreifender Echtzeit-Kollaborationsclient, optimiert für Unternehmen und Organisationen.
Ein vereinfachtes, leichtgewichtiges ETL-Framework auf Basis von Apache Spark
Eine für die Sekundärentwicklung bereitstehende Web-MVP-Prototyp-Vorlage für Chatbots, basierend auf gängigen Technologien wie Vue 3, Vite 8, TypeScript, Naive UI, Pinia (v3) und UnoCSS. 🧤 Einfache Integration von LLM-APIs, Single-Turn-KI-Dialogmodus mit unabhängigen Antworten (kein Kontext erforderlich), SSE-Streaming-Ausgabe mit Schreibmaschineneffekt sowie integriertem markdown-it mit Mermaid/KaTex/LaTex-Formel-Vorschau. Unterstützt iFlytek Spark, Zhipu, SiliconFlow und DeepSeek V4/V3/R1 Deep-Reasoning-Modellvorschauen, kompatibel mit <think>-Tags, inklusive destillierter Skills. 💼 Einfach anzupassen und schnell für Chat-basierte LLM-Produkte zu implementieren (Beispiel-Screenshots enthalten).
Ein einfacher Spark-Standalone-Cluster für Zwecke Ihrer Testumgebung
Big Data Erfassung, Extraktionsplattform, zdh_web ist die visuelle Managementplattform für die zdh-Services, die Module wie Datenaufnahme, Scheduling, Berechtigungen, Genehmigungsworkflow, Private-Domain-Marketing usw. enthält
Engine für KI/ML/Daten-Tracking, Visualisierung, Erklärbarkeit, Drift-Erkennung und Dashboards für Polyaxon.
E-Commerce Big Data Echtzeit-Produktempfehlungssystem, Vue + TypeScript + ElementUI + Spring + Spark
Ein robustes und flexibles Open-Source-Framework für die Analyse des Benutzer- und Entitätsverhaltens (UEBA), das für Sicherheitsanalysen verwendet wird. Mit Liebe entwickelt von Datenwissenschaftlern und Sicherheitsanalysten aus der Cybersicherheitsbranche. [BETA]
Lernen Sie Apache Spark in Scala, Python (PySpark) und R (SparkR), indem Sie Ihren eigenen Cluster mit einer JupyterLab-Oberfläche auf Docker erstellen. :zap:
Generieren Sie schnell relevante synthetische Daten für Ihre Projekte. Der synthetische Datengenerator von Databricks Labs (auch `dbldatagen` genannt) kann verwendet werden, um große simulierte bzw. synthetische Datensätze für Tests, Proofs of Concept (POCs) und andere Zwecke in Databricks-Umgebungen zu erzeugen, einschließlich Delta-Live-Tables-Pipelines.