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

اصول اولیه Apache Spark (اختیاری) Apache Spark Basics (Optional)

  • مقدمه ای بر اسپارک Introduction to Spark

  • (قدیمی) ایجاد حساب رایگان در Databricks (Old) Free Account creation in Databricks

  • (جدید) ایجاد حساب رایگان در Databricks (New) Free Account creation in Databricks

  • تهیه یک خوشه جرقه Provisioning a Spark Cluster

  • اصول اولیه در مورد نوت بوک Basics about notebooks

  • چرا باید آپاچی اسپارک را یاد بگیریم؟ Why we should learn Apache Spark?

  • Spark RDD (ایجاد و نمایش عملی) Spark RDD (Create and Display Practical)

  • Spark Dataframe (ایجاد و نمایش عملی) Spark Dataframe (Create and Display Practical)

  • توابع ناشناس در اسکالا Anonymus Functions in Scala

  • اضافی (اختیاری در Spark DataFrame) Extra (Optional on Spark DataFrame)

  • اضافی (اختیاری در Spark DataFrame) در جزئیات Extra (Optional on Spark DataFrame) in Details

  • مجموعه داده های Spark (ایجاد و نمایش عملی) Spark Datasets (Create and Display Practical)

یادگیری ماشین اسپارک آپاچی Apache Spark Machine Learning

  • انواع یادگیری ماشینی Types of Machine Learning

  • 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)

  • توکنایزر (ترانسفورماتورهای ویژگی) Tokenizer (Feature Transformers)

  • StopWordsRemover (ترانسفورماتورهای ویژگی) StopWordsRemover (Feature Transformers)

  • n-gram (ترانسفورماتورهای ویژگی) n-gram (Feature Transformers)

  • Binarizer (ترانسفورماتور ویژگی) Binarizer (Feature Transformers)

  • PCA (ترانسفورماتورهای ویژگی) PCA (Feature Transformers)

  • انبساط چند جمله ای (ترانسفورماتورهای ویژگی) Polynomial Expansion (Feature Transformers)

  • تبدیل کسینوس گسسته (DCT) (ترانسفورماتورهای ویژگی) Discrete Cosine Transform (DCT) (Feature Transformers)

  • StringIndexer (ترانسفورماتورهای ویژگی) StringIndexer (Feature Transformers)

  • IndexToString (ترانسفورماتورهای ویژگی) IndexToString (Feature Transformers)

  • OneHotEncoder (ترانسفورماتورهای ویژگی) OneHotEncoder (Feature Transformers)

  • SQLTransformer (ترانسفورماتورهای ویژگی) SQLTransformer (Feature Transformers)

  • VectorAssembler (ترانسفورماتورهای ویژگی) VectorAssembler (Feature Transformers)

  • RFormula (انتخاب کننده ویژگی) RFormula (Feature Selector)

  • ChiSqSelector (انتخاب کننده ویژگی) ChiSqSelector (Feature Selector)

  • مدل طبقه بندی Classification Model

  • پروژه طبقه بندی درخت تصمیم Decision tree classifier Project

  • مدل رگرسیون لجستیک (مدل طبقه بندی که در نام رگرسیون دارد) Logistic regression Model (Classification Model It has regression in the name)

  • پروژه ساده بیز (پیش‌بینی کلاس گل زنبق) Naive Bayes Project (Iris flower class prediction)

  • پروژه طبقه بندی جنگل تصادفی Random Forest Classifier Project

  • پروژه طبقه بندی درخت با گرادیان تقویت شده Gradient-boosted tree classifier Project

  • پروژه ماشین بردار پشتیبان خطی Linear Support Vector Machine Project

  • پروژه طبقه‌بندی کننده یک در مقابل استراحت (با نام مستعار یک در مقابل همه). One-vs-Rest classifier (a.k.a. One-vs-All) Project

  • مدل رگرسیون Regression Model

  • پروژه مدل رگرسیون خطی Linear Regression Model Project

  • پروژه مدل رگرسیون درخت تصمیم گیری Decision tree regression Model Project

  • پروژه مدل رگرسیون جنگل تصادفی Random forest regression Model Project

  • پروژه مدل رگرسیون درختی با گرادیان تقویت شده Gradient-boosted tree regression Model Project

  • پروژه خوشه بندی KMeans (تقسیم بندی مشتریان مرکز خرید) Clustering KMeans Project (Mall Customer Segmentation)

  • توضیح چند اصطلاح استفاده شده در مدل Explanation of few terms used in Model

  • پروژه مدل رگرسیون خطی - پیش بینی تبلیغات کلیک کنید Linear Regression Model Project - Predict Ads Click

دانلود منابع Download Resources

  • دانلود منابع Download Resources

  • سخنرانی مهم Important Lecture

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

آموزش یادگیری ماشین با Apache Spark 3.0 با استفاده از Scala
جزییات دوره
8.5 hours
73
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
13,176
4.1 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Bigdata Engineer Bigdata Engineer

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