Scala for Data Science

Guía orientada al desarrollo de producción en la que Pascal Bugnion aborda cómo aprovechar el poder de Scala (versión 2.11) y su paradigma híbrido (funcional y orientado a objetos) para construir tuberías de ciencia de datos escalables, concurrentes y de alto rendimiento sobre la JVM. El libro está dirigido a programadores intermedios o avanzados que ya conocen la sintaxis de Scala o Java y desean especializarse en ingeniería de datos, computación distribuida y despliegue de modelos analíticos en sistemas reales.

El contenido recorre de forma progresiva herramientas analíticas y de ingeniería de datos: manipulación matricial y cálculo numérico con Breeze, paralelismo en memoria con colecciones paralelas y Futures, acceso funcional a bases de datos relacionales mediante Slick y JDBC, e ingesta desde MongoDB y APIs web RESTful (como la de GitHub). Posteriormente se adentra en la concurrencia distribuida con el modelo de actores de Akka y el procesamiento masivo con Apache Spark (RDDs, Spark SQL y DataFrames), aplicando algoritmos de clasificación y regresión distribuida con Spark MLlib. Finalmente, enseña a exponer los modelos analíticos mediante servicios web con el framework Play y a crear visualizaciones interactivas en el navegador conectando el backend con D3.js.

El libro destaca por guiar la construcción de proyectos completos y operativos de extremo a extremo: desde un recolector concurrente de APIs con actores en Akka y una canalización distribuida de detección de spam con Spark MLlib, hasta una aplicación web con Play Framework que sirve predicciones analíticas en tiempo real acompañadas de gráficos interactivos con D3.js. Es una obra sobresaliente porque no se limita al prototipado o al análisis en cuadernos interactivos, sino que enseña cómo se diseña software de ciencia de datos robusto y listo para producción. Como requisito, exige soltura con la programación funcional y conceptos de concurrencia en la JVM.