Kursus
Pemrograman Paralel dengan Dask di Python
MenengahTingkat Keterampilan
Diperbarui 04/2024
PythonProgramming4 jam15 videos51 Latihan4,150 XP4,895Pernyataan Pencapaian
Buat Akun Gratis Anda
Lanjutkan dengan GoogleTampilkan opsi lainnyaatau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.
Dipercaya oleh para pelajar di ribuan perusahaan
Melatih Tim?
Coba untuk BisnisDeskripsi Kursus
Gunakan Pemrosesan Paralel untuk Mempercepat Kode Python Anda
Dengan kursus 4 jam ini, Anda akan mempelajari bagaimana pemrosesan paralel menggunakan Dask dalam Python dapat mempercepat alur kerja Anda.Saat bekerja dengan big data, Anda akan menghadapi dua hambatan umum: penggunaan memori yang berlebihan dan waktu eksekusi yang lama. Perpustakaan Dask dapat mengurangi penggunaan memori Anda dengan memuat potongan data hanya saat diperlukan. Hal ini dapat mengurangi waktu eksekusi dengan menggunakan semua inti pemrosesan yang tersedia secara paralel. Yang terbaik dari semuanya, hal ini hanya memerlukan sedikit perubahan pada kode Python yang sudah ada.
Analisis Data Terstruktur Besar Menggunakan Dask DataFrames
Dalam kursus ini, Anda akan menggunakan Dask untuk menganalisis data lagu Spotify, memproses gambar gerakan bahasa isyarat, menghitung tren dalam data cuaca, menganalisis rekaman audio, dan melatih model pembelajaran mesin pada data besar.Anda akan memulai dengan mempelajari dasar-dasar Dask, menjelajahi bagaimana pemrosesan paralel dalam Python dapat mempercepat hampir semua kode. Selanjutnya, Anda akan mempelajari Dask DataFrames dan array, serta cara menggunakannya untuk menganalisis data terstruktur berskala besar.
Latih model pembelajaran mesin menggunakan Dask-ML
Seiring Anda menyelesaikan 51 latihan dalam kursus ini, Anda akan belajar cara memproses berbagai jenis data, menggunakan Dask bags untuk bekerja dengan data tidak terstruktur dan terstruktur. Akhirnya, Anda akan belajar cara menggunakan Dask dalam Python untuk melatih model pembelajaran mesin dan meningkatkan kecepatan komputasi Anda.Persyaratan
Data Manipulation with pandasPython Toolbox1
Evaluasi Malas dan Komputasi Paralel
Bab ini akan mengajarkan dasar-dasar Dask dan evaluasi malas (lazy evaluation). Di akhir bab ini, Anda akan dapat mempercepat hampir semua kode Python dengan menggunakan pemrosesan paralel atau multi-threading. Anda akan mempelajari perbedaan antara dua metode penjadwalan tugas ini dan mana yang lebih baik dalam keadaan tertentu.
2
Pemrosesan Paralel untuk Data Besar Terstruktur
Di sini Anda akan belajar cara menganalisis data besar yang terstruktur menggunakan Dask array dan Dask DataFrame. Anda akan melihat bahwa semua yang Anda ketahui tentang NumPy dan pandas dapat dengan mudah diterapkan pada data yang terlalu besar untuk dimuat seluruhnya ke dalam memori.
3
Dask Bag untuk Data Tidak Terstruktur
Proses segala jenis data. Anda akan mempelajari bagaimana Dask bag dapat digunakan untuk memproses data teks tidak terstruktur, data JSON semi-terstruktur, dan bahkan rekaman audio secara efisien.
4
Dask untuk Machine Learning dan Penutup
Manfaatkan kekuatan Dask untuk melatih model Machine Learning. Anda akan mempelajari cara melatih model Machine Learning pada big data menggunakan paket Dask-ML, serta cara membagi perhitungan Dask pada campuran proses dan thread untuk kecepatan komputasi yang lebih tinggi.
Pemrograman Paralel dengan Dask di Python
Kursus Selesai
Memperoleh Surat Keterangan Prestasi
Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV AndaBagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang
Bergabung dengan 19 juta pelajar dan mulai Pemrograman Paralel dengan Dask di Python Hari Ini!
Buat Akun Gratis Anda
Lanjutkan dengan GoogleTampilkan opsi lainnyaatau
Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.
Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile
Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.