Machine Learning avec Spark ML : Création de modèles évolutifs

À mesure que la taille des données augmente, les bibliothèques traditionnelles d'apprentissage automatique à machine unique ont du mal à traiter efficacement les ensembles de données. Ce cours basé sur le texte vous apprend à tirer parti de Spark ML pour créer des pipelines d'apprendre à machine robustes et distribués qui évoluent de manière transparente vers des ensembles énormes de donnés. Vous passerez de la compréhension des concepts de base de l'informatique distribuée à l'écriture de code d' apprentissage automatiques propre et prêt à la production. En lisant des explications claires et en étudiant des exemples de code structuré, vous acquerrez les compétences nécessaires pour concevoir des fonctionnalités, former des modèles et ajuster des hyperparamètres dans un environnement distribué. Ce que vous apprendrez: 1. Comprendre l'architecture de base d'Apache Spark et le fonctionnement de l’apprentisseur distribué de machine. 2. Préparer et nettoyer de grands ensembles d'informations à l’aide des API modernes Spark, SQL et DataFrame. 3. Construire des pipeline structurés SparkML pour rationaliser l'ingénierie des fonctions et l'entraînement de modèles. 4. Implémenter des algorithmes de régression et de classification évolutifs pour la modélisation prédictive. 5. Évaluer les performances du modèle à l‘aide de mesures distribuées et ajustements d'hyperparamètres. 6. Intégrer des flux de travail de suivi de modèle modernes pour gérer vos expériences d’apprenant automatique. Le cours commence par des définitions fondamentales, une terminologie clé et l’architecture distribuée de SPark avant de vous guider étape par étape à travers la préparation des données, l'apprenants automatiques distribués.