Next-Generation Machine Learning with Spark

Guía avanzada orientada a la ingeniería de datos y el aprendizaje automático distribuido, en la que Butch Quinto explica cómo llevar las capacidades de Apache Spark (trabajando sobre la versión 2.4.x) más allá de su biblioteca nativa MLlib. Está dirigida a científicos de datos, ingenieros de machine learning y desarrolladores con nivel intermedio o avanzado que ya poseen bases sólidas en Spark y programación en Python o Scala, y que buscan construir canalizaciones escalables para procesar volúmenes masivos de datos en infraestructuras empresariales.

El núcleo de la obra profundiza en la integración práctica de herramientas de terceros de alto rendimiento dentro del flujo de trabajo de Spark. Enseña a implementar gradient boosting de alta velocidad con bibliotecas como XGBoost (a través de XGBoost4J-Spark) y LightGBM; detección de anomalías escalable con Isolation Forest en clúster; procesamiento avanzado y multilingüe de lenguaje natural (NLP) con Spark NLP (John Snow Labs) y Stanford CoreNLP; análisis y minería de grafos con GraphX y GraphFrames; optimización y aceleración de cargas de trabajo analíticas en memoria mediante Alluxio; y arquitecturas de deep learning distribuido junto con modelos convolucionales (CNN) conectando Keras y TensorFlow al entorno de ejecución en Spark.

A lo largo del libro se desarrollan flujos analíticos distribuidos paso a paso, abordando la preparación de datos estructurados y no estructurados, extracción de características, ajuste de hiperparámetros y evaluación de modelos predictivos. Su mayor valor reside en documentar con claridad la instalación, configuración y orquestación de frameworks punteros externos que no vienen empaquetados por defecto en Spark. Como contrapartida, no enseña fundamentos introductorios de computación distribuida ni el despliegue de microservicios web tradicionales, y las versiones de las librerías corresponden al ciclo previo a Spark 3.x, por lo que conviene tener en cuenta las diferencias en despliegues más modernos.