After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Naucz się korzystać z Apache Spark do uczenia maszynowego
Spark to potężne, uniwersalne narzędzie do pracy z Big Data. Spark transparentnie obsługuje rozkład zadań obliczeniowych w klastrze. Oznacza to, że operacje są szybkie, ale pozwala Ci to również skupić się na analizie, zamiast martwić się o szczegóły techniczne. W tym kursie nauczysz się, jak wprowadzać dane do Sparka, a następnie zagłębisz się w trzy podstawowe algorytmy uczenia maszynowego w Sparku: Regresja liniowa, regresja logistyczna/klasyfikatory oraz tworzenie potoków.Buduj i testuj drzewa decyzyjne
Budowanie własnych drzew decyzyjnych to świetny sposób na rozpoczęcie poznawania modeli uczenia maszynowego. Użyjesz algorytmu zwanego „Recursive Partitioning”, aby podzielić dane na dwie klasy i znaleźć w swoich danych predyktor, który zapewnia najbardziej informacyjny podział tych dwóch klas, a następnie powtórzyć tę czynność dla kolejnych węzłów. Następnie możesz użyć swojego drzewa decyzyjnego do tworzenia prognoz na podstawie nowych danych.Opanuj regresję logistyczną i liniową w PySpark
Regresja logistyczna i liniowa to podstawowe techniki uczenia maszynowego obsługiwane przez PySpark. Nauczysz się budować i oceniać modele regresji logistycznej, a następnie tworzyć modele regresji liniowej, aby dopracować swoje predyktory tak, by obejmowały tylko najbardziej istotne opcje.Pod koniec kursu będziesz pewnie wykorzystywać nowo zdobytą wiedzę z zakresu machine learning, dzięki praktycznym zadaniom i zestawom danych do ćwiczeń, które znajdziesz w całym kursie.
Wymagania wstępne
Program kursu
Plan kursu
1
Wprowadzenie
Spark to framework do pracy z Big Data. W tym rozdziale poznasz podstawy Sparka i uczenia maszynowego. Dowiesz się też, jak połączyć się ze Sparkiem za pomocą Pythona i wczytać dane w formacie CSV.
2
Klasyfikacja
Znając już sposoby wczytywania danych do Sparka, przejdziesz do budowania dwóch typów modeli klasyfikacyjnych: drzew decyzyjnych i regresji logistycznej. Poznasz również kilka podejść do przygotowania danych.
3
Regresja
Następnie nauczysz się tworzyć modele regresji liniowej. Dowiesz się, jak wzbogacić swoje dane przez inżynierię nowych predyktorów oraz jak w sposób niezawodny wybrać tylko te najbardziej istotne.
4
Zespoły modeli i potoki
Na koniec nauczysz się, jak zwiększyć efektywność swoich modeli. Dowiesz się, jak używać potoków, by kod był czytelniejszy i łatwiejszy w utrzymaniu. Następnie zastosujesz kroswalidację do dokładniejszego testowania modeli i doboru ich parametrów. Na zakończenie zapoznasz się z dwoma typami modeli zespołowych.
Uczenie maszynowe z PySpark
Kurs
ukończony
