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.
Schița de curs
spark.mllib: tipuri de date, algoritmi și utilități
- Tipuri de date
- Statistici de bază
- statistici sumare
- corelații
- eșantionare stratificată
- testarea ipotezelor
- teste de semnificație în flux
- generarea de date aleatorii
- Clasificare și regresie
- modele liniare (SVM-uri, regresie logistică, regresie liniară)
- Bayes naiv
- arbori de decizie
- ansambluri de arbori (Random Forests și Gradient-Boosted Trees)
- regresie izotonică
- filtrare colaborativă
- alternarea celor mai mici pătrate (ALS)
- Clustering
- k-means
- amestec gaussian
- clustering prin iterație de putere (PIC)
- alocarea Dirichlet latentă (LDA)
- k-means bisectant
- flux k-means
- Reducerea dimensionalității
- descompunerea valorii singulare (SVD)
- analiza componentelor principale (PCA)
- Extragerea și transformarea caracteristicilor
- Extragerea modelelor frecvente
- creștere FP
- reguli de asociere
- PrefixSpan
- Metrici de evaluare
- Exportul modelului PMML
- Optimizare (dezvoltator)
- coborâre stocastică a gradientului
- BFGS cu memorie limitată (L-BFGS)
spark.ml: API-uri de nivel înalt pentru conducte ML
- Prezentare generală: estimatori, transformatoare și conducte
- Extragerea, transformarea și selectarea caracteristicilor
- Clasificare și regresie
- Clustering
- Subiecte avansate
Cerințe
Cunoștințe despre unul dintre următoarele:
- Java
- Scala
- Python
- SparkR
35 ore
Mărturii (1)
O mulțime de exemple practice, modalități diferite de abordare a aceleiași probleme și, uneori, trucuri nu atât de evidente pentru a îmbunătăți soluția actuală.
Rafal - Nordea
Curs - Apache Spark MLlib
Tradus de catre o masina
