آموزش پروژه یادگیری ماشین اسپارک (پیش بینی قیمت فروش خانه)

Spark Machine Learning Project (House Sale Price Prediction)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پروژه یادگیری ماشین اسپارک (پیش‌بینی قیمت فروش خانگی) برای مبتدیان با استفاده از Databricks Notebook (غیر رسمی) در این دوره شما پیش‌بینی قیمت خانه فروش پروژه Spark Machine Learning را در Apache Spark با استفاده از Databricks Notebook (سرور نسخه انجمن) راه‌اندازی Apache Spark Cluster Process که داده‌ها را اجرا می‌کنید. با استفاده از یک مدل یادگیری ماشینی (کتابخانه Spark ML) یادگیری عملی ایجاد یک خط لوله داده در زمان واقعی مورد استفاده پروژه را در وب منتشر کنید تا با استفاده از دفترچه یادداشت Databricks، استخدام‌کننده خود را به نمایش گرافیکی  داده‌ها تحت تأثیر قرار دهید. تبدیل داده های ساخت یافته با استفاده از SparkSQL و DataFrames پیش نیازها: Apache Spark به دانش پایه و Scala نیاز است و مبانی SQL دنبال کردن مرورگرها در ویندوز، لینوکس یا macOS دسکتاپ: گوگل کروم (آخرین نسخه)، فایرفاکس (آخرین نسخه)، سافاری (آخرین نسخه) ، Microsoft Edge* (آخرین نسخه) Internet Explorer 11* در ویندوز 7، 8 یا 10 (با آخرین به‌روزرسانی‌های ویندوز اعمال شده) *ممکن است عملکرد برخی از ویژگی‌ها را در Microsoft Edge و Internet Explorer کاهش دهید. مرورگرهای زیر پشتیبانی نمی شوند: مرورگرهای موبایل. نسخه‌های بتا، «پیش‌نمایش» یا نسخه‌های پیش‌انتشار مرورگرهای دسک‌تاپ.

پروژه یادگیری ماشین اسپارک (پیش بینی قیمت فروش خانه) برای مبتدیان با استفاده از Databricks Notebook (غیر رسمی) (سرور نسخه انجمن)


در این پروژه یادگیری ماشینی علم داده، قیمت‌های فروش را در مجموعه داده‌های مسکن با استفاده از رگرسیون خطی یکی از مدل‌های پیش‌بینی‌کننده پیش‌بینی می‌کنیم.

  • Apache Spark و Machine Learning را در پلتفرم Databricks کاوش کنید.

  • راه اندازی Spark Cluster

  • یک خط لوله داده ایجاد کنید

  • آن داده ها را با استفاده از مدل یادگیری ماشین (کتابخانه Spark ML) پردازش کنید

  • یادگیری عملی

  • مورد استفاده در زمان واقعی

  • برای تحت تاثیر قرار دادن استخدام کننده خود، پروژه را در وب منتشر کنید

  • نمایش گرافیکی داده ها با استفاده از دفترچه یادداشت Databricks.

  • داده های ساخت یافته را با استفاده از SparkSQL و DataFrames تغییر دهید


قیمت‌های فروش را به صورت بلادرنگ در Apache Spark پیش‌بینی کنید


درباره Databricks:

Databricks به شما امکان می دهد فوراً شروع به نوشتن کد Spark ML کنید تا بتوانید روی مشکلات داده خود تمرکز کنید.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

دانلود منابع Download Resources

  • دانلود منابع Download Resources

پروژه آغاز می شود Project Begins

  • مقدمه ای بر اسپارک Introduction to Spark

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

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

  • نکاتی برای بهبود تجربه گذراندن دوره Tips to Improve Your Course Taking Experience

  • تهیه یک خوشه جرقه Provisioning a Spark Cluster

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • اصول اولیه در مورد نوت بوک Basics about notebooks

  • چارچوب های داده Dataframes

  • مدل رگرسیون Regression Model

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

  • محتوای فایل File Content

  • توضیح پروژه Project Explaination

  • سخنرانی مهم Important Lecture

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

آموزش پروژه یادگیری ماشین اسپارک (پیش بینی قیمت فروش خانه)
جزییات دوره
1.5 hours
16
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,120
4.2 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