Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Utilisez le traitement parallèle pour accélérer votre code Python
Au cours de cette formation de 4 heures, vous découvrirez comment le traitement parallèle avec Dask dans Python peut accélérer vos flux de travail.Lorsque vous travaillez avec des données volumineuses, vous rencontrerez deux obstacles courants : une utilisation excessive de la mémoire et des temps d'exécution prolongés. La bibliothèque Dask peut réduire votre utilisation de mémoire en ne chargeant des blocs de données que lorsque cela est nécessaire. Il est possible de réduire les temps d'exécution en utilisant tous les cœurs de processeur disponibles en parallèle. De plus, cela nécessite très peu de modifications de votre code Python existant.
Analysez des données structurées volumineuses à l'aide de Dask DataFrame
Dans ce cours, vous utiliserez Dask pour analyser les données musicales de Spotify, traiter des images de gestes en langue des signes, calculer les tendances météorologiques, analyser des enregistrements audio et former des modèles d'apprentissage automatique sur des mégadonnées.Vous commencerez par acquérir les bases de Dask, en découvrant comment le traitement parallèle en Python peut accélérer la plupart des codes. Ensuite, vous découvrirez les DataFrame et les tableaux Dask, ainsi que leur utilisation pour analyser des données structurées volumineuses.
Entraîner des modèles d'apprentissage automatique à l'aide de Dask-ML
Au fur et à mesure que vous avancerez dans les 51 exercices de ce cours, vous apprendrez à traiter tout type de données, en utilisant les sacs Dask pour travailler avec des données structurées et non structurées. Enfin, vous apprendrez à utiliser Dask dans Python pour former des modèles d'apprentissage automatique et améliorer vos vitesses de calcul.Prérequis
Programme de formation
Plan du cours
1
Évaluation paresseuse et calcul parallèle
Ce chapitre vous apprend les bases de Dask et de l’évaluation paresseuse. À la fin, vous saurez accélérer presque tout code Python grâce au traitement parallèle ou au multithreading. Vous découvrirez la différence entre ces deux méthodes d’ordonnancement des tâches et dans quels cas chacune est la plus adaptée.
- Introduction à Dask50 XP
- Évaluation paresseuse50 XP
- Différer des fonctions100 XP
- Graphes de tâches et méthodes d’ordonnancement50 XP
- Quels sont les différents ordonnanceurs ?100 XP
- Tracer le graphe de tâches100 XP
- Créer des pipelines différés50 XP
- Analyser des morceaux sur Spotify100 XP
- À quel point les morceaux sont-ils dansants aujourd’hui ?100 XP
- Chansons les plus populaires100 XP
2
Traitement parallèle de grandes données structurées
Vous allez apprendre à analyser de grandes données structurées avec des tableaux Dask et des DataFrames Dask. Vous verrez comment tout ce que vous connaissez de NumPy et de pandas s’applique facilement à des données trop volumineuses pour tenir en mémoire.
3
Dask Bags pour les données non structurées
Traitez n’importe quel type de données. Vous verrez comment les Dask bags permettent de traiter efficacement des textes non structurés, des données JSON semi-structurées, et même des enregistrements audio.
4
Machine Learning avec Dask et dernières pièces du puzzle
Exploitez la puissance de Dask pour entraîner des modèles de Machine Learning. Vous apprendrez à entraîner des modèles de Machine Learning sur de grands volumes de données avec le package Dask-ML, et à répartir les calculs Dask entre processus et threads pour gagner encore en vitesse de calcul.
Programmation parallèle avec Dask en Python
Cours
terminé
