Construcción de canalizaciones de aprendizaje automático escalables con PySpark y MLlib

El manejo de conjuntos de datos masivos requiere más que bibliotecas estándar de una sola máquina; exige potencia de computación distribuida.Este curso lo presenta a escalar sus flujos de trabajo de aprendizaje automático usando PySpark y su biblioteca de aprendizajes automáticos, MLlib. A través de explicaciones claras y ejercicios prácticos basados en texto, obtendrá las habilidades para limpiar datos, entrenar modelos, ajustar hiperparámetros y exportar sus flujos de trabajo a la nube.A través de ejercicios basados ​​en texto, adquirirá las habilidad para limpias de datos, entrenará modelos, afinará hiperparámetro, y exportará sus flujo de trabajo al cloud. Qué aprenderá: * Comprenda los conceptos básicos de la computación distribuida, las sesiones de Spark y los DataFrames de PySpark. * Limpie y transforme datos a gran escala utilizando las herramientas de ingeniería de características de Pyspark, incluidos ensambladores vectoriales e indexadores de cadenas. * Construya y entrene modelos de aprendizaje automático utilizando algoritmos MLlib para clasificación y regresión. * Implemente la validación cruzada y el ajuste de hiperparámetros para optimizar el rendimiento de los modelos en sistemas distribuidos. * Guarde y cargue modelos entrenados en sistemas de almacenamiento en la nube como AWS S3 para su implementación en producción. * Aplique prácticas PySpark modernas, incluidas sugerencias de tipo y operaciones de DataFrame estructuradas, para obtener un código limpio y de fácil mantenimiento. El curso comienza con conceptos fundamentales de computación distribuida y sintaxis de PySpark antes de guiarlo paso a paso a través de la preparación de datos, el entrenamiento de modelos y las tuberías de implementación en la nube.Está diseñado para principiantes en computación distribuída e ingeniería de aprendizaje automático, sin necesidad de experiencia previa en Spark. Comience a leer hoy mismo para escalar sus modelos de aprendizaje automático para manejar cualquier tamaño de conjunto de datos.