یادگیری ماشین مقیاسپذیر با PySpark MLlib
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
PySpark MLlib قدرت یادگیری ماشین توزیعشده را به ارمغان میآورد. در این دوره، یادگیری ماشین مقیاسپذیر با PySpark MLlib، توانایی استفاده از فریمورک محاسبات توزیعشده Apache Spark را برای بارهای کاری یادگیری ماشین به دست می آورید. ابتدا، مبانی Spark MLlib و Spark ML Pipeline API را بررسی میکنید و یاد میگیرید که چه تفاوتی با راهحلهای تکماشینی دارد.
سپس کشف می کنید که چگونه مهندسی ویژگی انجام دهید و چگونه مدلهای دستهبندی و رگرسیون بسازید که میتوانند بهطور مؤثر با مجموعهدادههای بزرگ کار کنند.
در نهایت، یاد می گیرید که چگونه هایپرپارامترها را تیون کرده و عملکرد را بهینهسازی کنید تا پایپ لاین ها بتوانند به صورت روان و سریع اجرا شوند.
وقتی این دوره را به پایان برسانید، مهارتها و دانش مورد نیاز برای پیادهسازی و مقیاسبندی راهحلهای یادگیری ماشین خود بر روی مجموعهدادههای بزرگ با PySpark MLlib را خواهید داشت.
یادگیری ماشین مقیاسپذیر با PySpark MLlib
-
PySpark MLlib چیست؟ 4m 27s
-
موارد استفاده از PySpark MLlib 3m 19s
-
پایپ لاین های ML Spark 3m 24s
-
دمو: بارگذاری دادهها 3m 25s
-
دمو: آمادهسازی دادهها برای مهندسی ویژگی 6m 11s
-
دمو: نرمالسازی و مقیاسبندی 4m 1s
-
دمو: PCA و انتخاب ویژگی 5m 34s
-
دمو: آموزش مدل دستهبندی 8m 10s
-
دمو: آموزش مدل رگرسیون 6m 3s
-
دمو: تیون کردن هایپرپارامترها 7m 34s
-
دمو: ادغام پایپ لاین 6m 29s
-
دمو: پایداری مدل و استنباط توزیعشده 4m 28s
-
دمو: تیون کردن عملکرد 6m 35s
مشخصات آموزش
یادگیری ماشین مقیاسپذیر با PySpark MLlib
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متوسط
- تعداد درس:13
- مدت زمان :01:09:46
- حجم :260.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy