Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
spark.mllib: datatyper, algoritmer och verktyg
- Datatyper
- Grundläggande statistik
- Sammanfattande statistik
- Korrelationer
- Stratifierad provtagning
- Hypotesprövning
- Testning av strömnings signifikans
- Slumpmässig datagenerering
- Klassificering och regression
- linjära modeller (SVM, logistisk regression, linjär regression)
- naiva Bayes
- Beslutsträd
- ensembler av träd (Random Forests och Gradient-Boosted Trees)
- isoton regression
- Gemensam filtrering
- alternerande minsta kvadratmetoden (ALS)
- Klustring
- k-medel
- Gaussisk blandning
- klustring av kraftfull iteration (PIC)
- latent Dirichlet-allokering (LDA)
- Halverande k-medelvärden
- Strömning K-Means
- Minskning av dimensionalitet
- Singular Value-dekomposition (SVD)
- Analys av huvudkomponenter (PCA)
- Extrahering och transformering av funktioner
- Frekvent mönsterutvinning
- FP-tillväxt
- Föreningens stadgar
- PrefixSpan (prefixSpan)
- Mått för utvärdering
- Export av PMML-modell
- Optimering (utvecklare)
- Stochastic Gradient Descent
- BFGS MED BEGRÄNSAT MINNE (L-BFGS)
spark.ml: API:er på hög nivå för ML-pipelines
- Översikt: estimatorer, transformatorer och rörledningar
- Extrahera, transformera och välja funktioner
- Klassificering och regression
- Klustring
- Avancerade ämnen
Krav
Kunskaper om något av följande:
- Java
- Scala
- Python
- SparkR.
35 timmar
Vittnesmål (1)
Många praktiska exempel, olika sätt att närma sig samma problem, och ibland inte så uppenbara knep för att förbättra den nuvarande lösningen
Rafal - Nordea
Kurs - Apache Spark MLlib
Machine Translated
