لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین با Apache Spark 3.0 با استفاده از Scala
دانلود Machine Learning with Apache Spark 3.0 using Scala
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشین با Apache Spark 3.0 با استفاده از Scala با مثال ها و 4 پروژه دانش بنیادی در مورد یادگیری ماشین با Apache Spark با استفاده از Scala هنر یادگیری ماشینی را از طریق پروژه های عملی بیاموزید و به آنها مسلط شوید و سپس آنها را اجرا کنید تا در سرویس های رایانش ابری Databricks اجرا شوند. پروژه های یادگیری ماشینی Apache Spark را خواهد ساخت (در مجموع 4 پروژه) کاوش Apache Spark و Machine Learning در پلت فرم Databricks راه اندازی Spark Cluster ایجاد یک فرآیند خط لوله داده که داده ها با استفاده از مدل یادگیری ماشینی (کتابخانه Spark ML) یادگیری عملی در زمان واقعی مورد استفاده پیش نیازها: مقداری تجربه برنامه نویسی مورد نیاز است و دانش بنیادی Scala نیز مورد نیاز است. دانش بنیادی اسپارک اجباری است
یادگیری ماشین با Apache Spark 3.0 با استفاده از Scala با مثال ها و پروژه
تجزیه و تحلیل «دادههای بزرگ» یک مهارت داغ و بسیار ارزشمند است – و این دوره به شما داغترین فناوری در دادههای بزرگ را آموزش میدهد: Apache Spark. کارفرمایان از جمله آمازون، eBay، ناسا، یاهو، و بسیاری دیگر. همه از Spark استفاده میکنند. برای استخراج سریع معنی از مجموعه داده های انبوه در یک خوشه هدوپ با تحمل خطا، همان تکنیک ها را با استفاده از سیستم عامل خود در خانه یاد خواهید گرفت.
بنابراین، در این دوره چه چیزی را قرار است پوشش دهیم؟
هنر یادگیری ماشینی را از طریق پروژههای عملی بیاموزید و به آنها مسلط شوید و سپس آنها را برای اجرای سرویسهای محاسبات ابری Databricks (سرویس رایگان) در این دوره اجرا کنید. خوب، این دوره موضوعات زیر را پوشش می دهد:
1) نمای کلی
2) Spark ML چیست
3) انواع یادگیری ماشینی
4) مراحل مربوط به برنامه یادگیری ماشین
5) استاتیک اولیه
6) منابع داده
7) خطوط لوله
8) استخراج، تبدیل و انتخاب ویژگیها
9) طبقه بندی و رگرسیون
10) خوشه بندی
پروژه ها:
1) آیا فردا در استرالیا باران خواهد آمد
2) پیشبینی تأخیر ورود قطار راهآهن
3) کلاس گل زنبق را بر اساس ویژگی های موجود پیش بینی کنید
4) دسته بندی مشتریان مرکز خرید (K-means) Cluster
برای شروع دوره و برای انجام این کار، باید محیط خود را تنظیم کنید.
بنابراین، اولین چیزی که به آن نیاز دارید یک مرورگر وب است که می تواند (Google Chrome یا Firefox، یا Safari، یا Microsoft Edge (آخرین نسخه)) روی دسکتاپ Windows، Linux، و macOS باشد
این آموزش کاملاً عملی با محیط Databricks است.
سرفصل ها و درس ها
معرفی
Introduction
معرفی
Introduction
بررسی اجمالی
Overview
Spark ML چیست؟
What is Spark ML?
مقدمه ای بر یادگیری ماشینی
Introduction to Machine Learning
نکاتی برای بهبود تجربه گذراندن دوره
Tips to Improve Your Course Taking Experience
مراحل مربوط به برنامه یادگیری ماشین
Steps Involved in Machine Learning Program
Spark MLlib
Spark MLlib
وارد کردن نوت بوک و آپلود داده
Importing Notebook and Data Upload
آمار پایه همبستگی
Basic statistics Correlation
منابع اطلاعات
Data Sources
فایل CSV منبع داده
Data Source CSV File
منبع داده فایل JSON
Data Source JSON File
منبع داده فایل LIBSVM
Data Source LIBSVM File
فایل تصویر منبع داده
Data Source Image File
منبع داده فایل Arvo
Data Source Arvo File
فایل پارکت منبع داده
Data Source Parquet File
مروری بر خط لوله داده یادگیری ماشین
Machine Learning Data Pipeline Overview
پروژه یادگیری ماشینی به عنوان مثال (فقط برای ایده اولیه)
Machine Learning Project as an Example (Just for Basic Idea)
پروژه نمونه خط لوله یادگیری ماشین (آیا فردا در استرالیا باران خواهد آمد) 1
Machine Learning Pipeline Example Project (Will it Rain Tomorrow in Australia) 1
پروژه نمونه خط لوله یادگیری ماشین (آیا فردا در استرالیا باران خواهد آمد) 2
Machine Learning Pipeline Example Project (Will it Rain Tomorrow in Australia) 2
پروژه نمونه خط لوله یادگیری ماشین (آیا فردا در استرالیا باران خواهد آمد) 3
Machine Learning Pipeline Example Project (Will it Rain Tomorrow in Australia) 3
اجزای خط لوله یادگیری ماشین
Components of a Machine Learning Pipeline
استخراج، تبدیل و انتخاب ویژگی ها
Extracting, transforming and selecting features
TF-IDF (استخراج کننده ویژگی)
TF-IDF (Feature Extractor)
Word2Vec (استخراج کننده ویژگی)
Word2Vec (Feature Extractor)
CountVetorizer (استخراج کننده ویژگی)
CountVectorizer (Feature Extractor)
FeatureHasher (استخراج کننده ویژگی)
FeatureHasher (Feature Extractor)
مهندس Bigdata من معمار راه حل هستم با 12 سال تجربه در صنعت بانکداری ، ارتباطات از راه دور و خدمات مالی در طیف متنوعی از نقش ها در برنامه های کارت اعتباری ، پرداخت ها ، انبار داده و مرکز داده
نقش من به عنوان Bigdata و Cloud Architect به عنوان بخشی از تیم Bigdata برای ارائه راه حل نرم افزاری کار می کنم.
مسئولیت ها شامل
- از همه مسائل مربوط به Hadoop پشتیبانی کنید
- معیار سیستم های موجود ، تجزیه و تحلیل چالش های سیستم موجود/گلوگاه ها و پیشنهاد راه حل های مناسب برای از بین بردن آنها بر اساس فن آوری های مختلف Big Data
- تجزیه و تحلیل و تعریف جوانب مثبت و منفی فناوری ها و سیستم عامل های مختلف
- موارد استفاده ، راه حل ها و توصیه ها را تعریف کنید
- استراتژی Big Data را تعریف کنید
- انجام تجزیه و تحلیل دقیق از مشکلات کسب و کار و محیط های فنی
- راه حل عملی بزرگ داده را بر اساس تجزیه و تحلیل نیازهای مشتری تعریف کنید
- توصیه های عملی Big Big Cluster را تعریف کنید
- به مشتریان در مورد فن آوری های مختلف Big Data آموزش دهید تا به آنها در درک نکات مثبت و منفی Big Data کمک کند
- حاکمیت داده ها
- ساخت ابزارهایی برای بهبود بهره وری توسعه دهنده و اجرای روشهای استاندارد
نمایش نظرات