#spark Dépôts
126 dépôts au total
Apprenez à mieux connaître vos données ! Datavines est la plateforme d'observabilité des données de nouvelle génération, prenant en charge la gestion des métadonnées et la qualité des données.
Ce système est mon projet de fin d'études, intitulé « Conception et implémentation d'un système de recommandation basé sur le profil utilisateur ». Il utilise principalement Django comme framework de base, adoptant le modèle MTV, avec MongoDB, MySQL et Redis comme bases de données. Les données de films collectées sur la plateforme Douban servent de source de données principale. Les étiquettes utilisateur sont développées principalement sur la base des informations de base de l'utilisateur et des enregistrements d'actions d'utilisation. Le système de recommandation utilise les composants de données massives tels que Hadoop et Spark pour l'analyse et le traitement. Le système de gestion utilise le système de gestion intégré de Django, embelli par SimpleUI.
WeDataSphere est une suite de plateformes big data de grade financier, tout-en-un.
Comparaison de Pandas, Polars, Spark et Snowpark DataFrame pour les humains et plus !
Une passerelle légère, multi-locataire, évolutive et sécurisée qui permet aux Jupyter Notebooks de partager des ressources sur des clusters distribués tels qu'Apache Spark, Kubernetes et d'autres.
Client de collaboration multiplateforme en temps réel optimisé pour les entreprises et les organisations.
Un modèle de prototype MVP Web pour Chat Bot à tour unique, prêt pour le développement secondaire, construit avec des technologies de pointe telles que Vue 3, Vite 8, TypeScript, Naive UI, Pinia (v3) et UnoCSS. 🧤 Intégration simple d'API de grands modèles, mode de dialogue questions-réponses IA à tour unique, réponses indépendantes sans contexte, sortie en streaming avec effet machine à écrire SSE, et intégration de markdown-it avec prévisualisation des formules Mermaid/KaTex/LaTex. Prend en charge les aperçus des modèles de raisonnement profond iFlytek Spark, Zhipu, SiliconFlow et DeepSeek V4/V3/R1, compatible avec les balises <think>, et inclut des compétences distillées. 💼 Facile à personnaliser et à déployer rapidement pour des produits de grands modèles de langage de type Chat (captures d'écran incluses).
Un cluster standalone Spark simple pour les besoins de votre environnement de test
Collecte de big data, plateforme d'extraction, zdh_web est la plateforme de gestion visuelle pour les services de la série zdh, incluant des modules tels que la collecte de données, la planification, les autorisations, le flux d'approbation, le marketing de domaine privé, etc.
Moteur pour le suivi, la visualisation, l'explicabilité, la détection de dérive et les tableaux de bord IA/ML/données pour Polyaxon.
Système de recommandation de produits big data e-commerce en temps réel, Vue + TypeScript + ElementUI + Spring + Spark
Un framework open source robuste et flexible d'analyse du comportement des utilisateurs et des entités (UEBA) utilisé pour l'analyse de sécurité. Développé avec amour par des data scientists et des analystes de sécurité de l'industrie de la cybersécurité. [BÊTA]
Apprenez Apache Spark en Scala, Python (PySpark) et R (SparkR) en construisant votre propre cluster avec une interface JupyterLab sur Docker. :zap:
Générez rapidement des données synthétiques pertinentes pour vos projets. Le générateur de données synthétiques de Databricks Labs (également appelé `dbldatagen`) peut servir à produire de grands jeux de données simulés ou synthétiques pour des tests, des preuves de concept (POC) et d’autres usages dans les environnements Databricks, y compris les pipelines Delta Live Tables.