آموزش یادگیری ماشین مقیاس‌پذیر با PySpark MLlib - آخرین آپدیت

سرفصل ها و درس ها

درک مفاهیم PySpark MLlib Understanding PySpark MLlib

• PySpark MLlib چیست؟ What Is PySpark MLlib?

• موارد کاربرد PySpark MLlib Use Case of PySpark MLlib

• خط لوله‌های Spark ML Spark ML Pipelines

مهندسی ویژگی‌ها در مقیاس بزرگ Large-scale Feature Engineering

• دمو: بارگذاری داده‌ها Demo: Loading Data

• دمو: آماده‌سازی داده‌ها برای مهندسی ویژگی‌ها Demo: Data Preparation for Feature Engineering

• دمو: نرمال‌سازی و مقیاس‌بندی Demo: Normalization and Scaling

• دمو: تحلیل مؤلفه‌های اصلی (PCA) و انتخاب ویژگی Demo: PCA and Feature Selection

آموزش و ارزیابی مدل‌های یادگیری ماشین Training and Evaluating ML Models

• دمو: آموزش مدل طبقه‌بندی Demo: Training a Classification Model

• دمو: آموزش مدل رگرسیون Demo: Training a Regression Model

• دمو: تنظیم هایپرپارامترها Demo: Hyperparameter Tuning

ساخت خط لوله در PySpark MLlib Building a PySpark MLlib Pipeline

• دمو: یکپارچه‌سازی خط لوله Demo: Pipeline Integration

• دمو: ذخیره‌سازی مدل و استنتاج توزیع‌شده Demo: Model Persistence and Distributed Inference

• دمو: بهینه‌سازی عملکرد Demo: Performance Tuning