Ölçeklenebilir Makine Öğrenimi İçin H2O Kümelerini Kurma

Veri kümeleri büyüdükçe, standart makine öğrenimi işlem hatları hızla bellek yetersizliği yaşayabilir ve durabilir. Tahmine dayalı modellerinizi ölçeklendirmek için dağıtılmış bir bilgi işlem ortamını nasıl yapılandıracağınızı ve yöneteceğinizi anlamak çok önemlidir. Bu kursta, sıfırdan bir H2O kümesi kurmayı, belleğini ve kaynaklarını yönetmeyi ve verilerinizi yüksek performanslı otomatik makine öğrenimi (AutoML) için hazırlamayı öğreneceksiniz. Neler öğreneceksiniz: - Dağıtılmış bellekte bilgi işlem ve H2O küme mimarisinin temel kavramlarını öğrenin. - Bellek tahsisini optimize etmek için Python kullanarak H2O kümelerini yapılandırın ve başlatın. - H2O ortamında büyük ölçekli veri kümelerini verimli bir şekilde içe aktarın, temizleyin ve ön işleyin. - H2O'nun yerel veri çerçevelerini kullanarak özellikleri hazırlayın ve eksik verileri ele alın. - Ölçeklenebilir makine öğrenimi modellerini eğitmek ve değerlendirmek için H2O AutoML'den yararlanın. - Tekrarlanabilir ve sağlam iş akışları sağlamak için modern veri işlem hattı uygulamalarını uygulayın. Küme başlatma, veri işleme ve model eğitimi konularında adım adım yazılı kılavuzlara geçmeden önce, küme bilgi işleminin temel tanımlarıyla başlayacaksınız. Pratik metin tabanlı alıştırmalar aracılığıyla, kaynakları yönetme ve ölçeklenebilir iş akışlarını çalıştırma konusunda uygulamalı deneyim kazanacaksınız. Bu kurs, makine öğrenimi iş akışlarını ölçeklendirmek isteyen başlangıç seviyesindeki veri bilimcileri, analistler ve yazılım mühendisleri için tasarlanmıştır. Dağıtılmış sistemlerle ilgili önceden deneyim gerekmemektedir, ancak Python'a temel düzeyde aşinalık faydalıdır. Dağıtılmış makine öğreniminin gücünü ortaya çıkarmak için bugün okumaya başlayın.