尾千 Orochi-波动率协作GUI 目录 API指南 部署成群 社区 贡献 名字的由来 关于大千chi Orochi是用于协作法医内存转储分析的开源框架。 使用Orochi，您和您的协作者可以轻松地组织您的内存转储并同时对其进行分析。 Orochi架构： 使用Volatility 3 ：世界上使用最广泛的框架，用于从易失性存储器（RAM）样本中提取数字伪像。 将波动率结果保存在ElasticSearch中 使用Dask在节点之间分配负载 使用Django作为前端 使用Postgresql保存用户，分析元数据，例如状态和错误。 使用MailHog管理用户注册电子邮件 使用Redis进行缓存，使用Websocket进行通知 提供了Kibana界面以进行ElasticSearch维护（检查索引，如果挂起则删除） 所有框架均作为docker-compose映像提供 入门 安装

xgrads 1.简介 网格分析和显示系统（ 或 ）是一种广泛使用的软件，可轻松访问，操纵和可视化地球科学数据。 它使用的来描述原始二进制4D数据集。 ctl文件类似于文件的头信息，其中包含有关变量，属性和变量的所有信息（可变数据除外）。 此python软件包专门用于解析和读取常用的.ctl文件。 现在，它可以解析各种.ctl文件。 然而，只有常用原始二进制数据集4D可以使用读和返回作为其它类型的二进制数据，如dtype是station或者grib ，可能在将来被支持。 2.如何安装 要求xgrads是在具有xarray条件的环境下开发的： dask （=版本0.15.0）， dask \uff08=

Auto_TS：Auto_TimeSeries 使用单行代码自动构建多个时间序列模型。 现在已用Dask更新。 Auto_timeseries是用于时间序列数据的复杂模型构建实用程序。 由于它可以自动执行复杂任务中的许多任务，因此它假定了许多智能默认值。 但是您可以更改它们。 Auto_Timeseries将基于Statsmodels ARIMA，Seasonal ARIMA和Scikit-Learn ML快速建立预测模型。 它将自动选择给出最佳分数的最佳模型。 从0.0.35版开始，新版本进行了重大更新：现在，您可以将文件加载到Dask数据框中。 只需提供文件名，如果文件名太大而无法容纳在pandas数据框中，则Auto_TS会自动检测到该文件并将其加载到Dask数据框中。 此外，自0.0.25版以来的新功能是Auto_TimeSerie的语法：现在，它更像scikit-lear

如何使用AWS EC2 Hadoop集群处理200 GB数据 存储200 GB的NYC出租车数据集并部署Cloudera Hadoop集群以对其进行可视化。 使用Python Datashader绘制和可视化Hadoop大型数据集 没有Datashader的可视化 工作流程概述 使用数据着色器 最终可视化

使用Dask和PyTorch课程进行并行化和分布式计算 数据科学为商业，学术界和其他部门带来不可否认的价值。 随着我们开始意识到这一点，企业和组织已经在收集和存储比以往任何时候都更多的数据。 因此，数据科学从业者所面临的挑战不是复杂的机器学习方法，而是我们处理大量数据的能力。 将并行化和分布式计算应用于机器学习用例（例如计算机视觉任务）可以提高速度和生产率，从而使我们能够充分利用海量数据和复杂方法。 利用分布式计算并将标准Python转换为优化的并行代码可能是具有挑战性的。 学完本课程后，学生将掌握使用分布式计算和并行化以扩大其机器学习所需的基础知识。 本课程将包括一个案例研究示例，演示使用PyTorch进行图像分类的这些策略，PyTorch是可以受益于并行化的多种机器学习方法之一。 学习目标 学完本课程后，学生将能够： 描述什么是分布式计算，并了解如何访问云中的机器集群并与之交互 解

Dask和Python数据科学英文版，通过更加丰富的实例，解释Dask在数据科学中的应用，更易理解。 作者简介： Jesse C. Daniel具有5年使用Python编写应用程序的经验，其中包括从事PyData堆栈(Pandas、NumPy、SciPy和scikit-learn)的工作3年。Jesse于2016年进入丹佛大学，担任商业信息和分析学的副教授，讲授Python数据科学课程。他目前领导着丹佛当地的一家科技公司的数据科学家团队。

PCIS-DASK v5.03.zip