После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Научитесь использовать Apache Spark для машинного обучения
Spark — это мощный универсальный инструмент для работы с Big Data. Spark прозрачно распределяет вычислительные задачи по кластеру. Это означает, что операции выполняются быстро, но это также позволяет вам сосредоточиться на анализе, а не беспокоиться о технических деталях. На этом курсе вы узнаете, как загружать данные в Spark, а затем познакомитесь с тремя основными алгоритмами машинного обучения Spark: Линейная регрессия, логистическая регрессия/классификаторы и создание конвейеров.Создавайте и тестируйте деревья решений
Создание собственных деревьев решений — отличный способ начать изучать модели машинного обучения. Вы будете использовать алгоритм под названием «рекурсивное разбиение», чтобы разделить данные на два класса и найти в ваших данных предиктор, который обеспечивает наиболее информативное разделение этих двух классов, а затем повторять это действие для последующих узлов. Затем вы сможете использовать своё дерево решений для прогнозирования на новых данных.Освойте логистическую и линейную регрессию в PySpark
Логистическая и линейная регрессия — это важные методы машинного обучения, поддерживаемые PySpark. Вы научитесь строить и оценивать модели логистической регрессии, а затем перейдёте к созданию моделей линейной регрессии, чтобы уточнять набор признаков и оставлять только самые релевантные варианты.К концу курса вы будете уверенно применять полученные знания в области машинного обучения благодаря практическим заданиям и наборам данных для отработки навыков, которые встречаются на протяжении всего курса.
Предварительные требования
Программа
План курса
1
Введение
Spark — это фреймворк для работы с большими данными. В этой главе вы познакомитесь с основами Spark и машинного обучения, узнаете, как подключиться к Spark с помощью Python и загрузить данные в формате CSV.
2
Классификация
Освоив загрузку данных в Spark, вы перейдёте к построению двух типов моделей классификации: дерева решений и логистической регрессии. Также вы изучите несколько подходов к подготовке данных.
3
Регрессия
Далее вы научитесь строить модели линейной регрессии. Вы узнаете, как расширить набор данных за счёт конструирования новых признаков, а также освоите надёжный подход к отбору наиболее значимых из них.
4
Ансамбли и конвейеры
В заключительной главе вы узнаете, как повысить эффективность моделей. Вы научитесь использовать конвейеры, чтобы сделать код более понятным и удобным в сопровождении. Затем освоите кросс-валидацию для более качественного тестирования моделей и подбора оптимальных параметров. В финале познакомитесь с двумя типами ансамблевых моделей.
Машинное обучение с PySpark
Курс
завершён
