Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
spark.mllib: tipi di dati, algoritmi e utilità
- Tipi di dati
- Statistiche di base
- Statistiche riassuntive
- Correlazioni
- campionamento stratificato
- Test di ipotesi
- Test di significatività in streaming
- Generazione casuale di dati
- Classificazione e regressione
- modelli lineari (SVM, regressione logistica, regressione lineare)
- l'ingenuo Bayes
- Alberi decisionali
- insiemi di alberi (Random Forests e alberi potenziati dal gradiente)
- Regressione isotonica
- Filtro collaborativo
- Minimi quadrati alternati (ALS)
- Clustering
- k-significa
- Miscela gaussiana
- clustering dell'iterazione di potenza (PIC)
- allocazione di Dirichlet latente (LDA)
- Bisezione K-Means
- Streaming K-Means
- Riduzione della dimensionalità
- decomposizione ai valori singolari (SVD)
- Analisi delle componenti principali (PCA)
- Estrazione e trasformazione delle funzioni
- Pattern mining frequente
- Crescita del PQ
- Regole dell'associazione
- PrefixSpan
- Metriche di valutazione
- Esportazione del modello PMML
- Ottimizzazione (sviluppatore)
- discesa stocastica del gradiente
- BFGS A MEMORIA LIMITATA (L-BFGS)
spark.ml: API di alto livello per le pipeline di ML
- Panoramica: stimatori, trasformatori e tubazioni
- Estrazione, trasformazione e selezione delle funzioni
- Classificazione e regressione
- Clustering
- Argomenti avanzati
Requisiti
Conoscenza di uno dei seguenti argomenti:
- Giava
- Scala
- pitone
- SparkR.
35 ore
Recensioni (1)
Un sacco di esempi pratici, modi diversi di affrontare lo stesso problema, e a volte trucchi non così ovvi su come migliorare la soluzione attuale
Rafal - Nordea
Corso - Apache Spark MLlib
Traduzione automatica
