Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
План на курса
spark.mllib: типове данни, алгоритми и помощни програми
- Типове данни
- Основна статистика
- обобщена статистика
- корелации
- стратифицирано вземане на проби
- проверка на хипотези
- тестване на значимостта на стрийминг
- произволно генериране на данни
- Класификация и регресия
- линейни модели (SVM, логистична регресия, линейна регресия)
- наивен Байес
- дървета на решенията
- ансамбли от дървета (Random Forests и градиентно подсилени дървета)
- изотонична регресия
- Съвместно филтриране
- алтернативни най-малки квадрати (ALS)
- Клъстеризиране
- k-означава
- Гаусова смес
- групиране на мощност итерация (PIC)
- латентно разпределение на Дирихле (LDA)
- разполовяващи k-средни
- стрийминг k-средства
- Намаляване на размерността
- разлагане на единична стойност (SVD)
- анализ на главните компоненти (PCA)
- Извличане и трансформиране на характеристики
- Често копаене на модели
- FP-растеж
- правила на асоцииране
- PrefixSpan
- Метрики за оценка
- Експортиране на PMML модел
- Оптимизация (разработчик)
- стохастичен градиент на спускане
- BFGS с ограничена памет (L-BFGS)
spark.ml: API на високо ниво за тръбопроводи на ML
- Преглед: оценители, трансформатори и тръбопроводи
- Извличане, трансформиране и избор на функции
- Класификация и регресия
- Клъстеризиране
- Теми за напреднали
Изисквания
Познаване на едно от следните:
- Java
- Scala
- Python
- SparkR.
35 Часа
Oтзиви от потребители (1)
Много практически примери, различни начини за подход към един и същ проблем и понякога не толкова очевидни трикове как да се подобри текущото решение
Rafal - Nordea
Курс - Apache Spark MLlib
Машинен превод
