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.
Plan Szkolenia
spark.mllib: typy danych, algorytmy i narzędzia
- Typy danych
- Podstawowe statystyki
- statystyki podsumowujące
- korelacje
- próbkowanie warstwowe
- testowanie hipotez
- strumieniowe testowanie istotności
- losowe generowanie danych
- Klasyfikacja i regresja
- modele liniowe (SVM, regresja logistyczna, regresja liniowa)
- naiwny Bayes
- drzewa decyzyjne
- zespoły drzew (Random Forests i Gradient-Boosted Trees)
- regresja izotoniczna
- Filtrowanie oparte na współpracy
- naprzemienne najmniejsze kwadraty (ALS)
- Klasteryzacja
- k-średnich
- Mieszanka gaussowska
- klastrowanie z iteracją mocy (PIC)
- ukryta alokacja Dirichleta (LDA)
- dwusieczna metoda k-średnich
- k-średnich strumieniowych
- Redukcja wymiarowości
- dekompozycja wartości pojedynczej (SVD)
- analiza składowych głównych (PCA)
- Ekstrakcja i transformacja cech
- Eksploracja częstych wzorców
- Wzrost FP
- reguły asocjacyjne
- PrefixSpan
- Metryki oceny
- Eksport modelu PMML
- Optymalizacja (deweloper)
- stochastyczne zejście gradientowe
- BFGS z ograniczoną pamięcią (L-BFGS)
spark.ml: API wysokiego poziomu dla potoków ML
- Przegląd: estymatory, transformatory i potoki
- Wyodrębnianie, przekształcanie i wybieranie cech
- Klasyfikacja i regresja
- Klasteryzacja
- Tematy zaawansowane
Wymagania
Znajomość jednego z poniższych:
- Java
- Scala
- Python
- SparkR
35 godzin
Opinie uczestników (1)
A lot of practical examples, different ways to approach the same problem, and sometimes not so obvious tricks how to improve the current solution
