Spark for Machine Learning & AI

مدرس Dan Sullivan

انتشار 2017/11/07

مدت زمان 1h 51m

سطح مبتدی

فایل تمرینی دارد

آموزش Spark for Machine Learning & AI

Apache Spark یکی از پرکاربردترین و پشتیبانی‌شده‌ترین ابزارهای منبع باز برای یادگیری ماشین و داده‌های بزرگ است. در این دوره، نحوه کار با این پلتفرم قدرتمند برای یادگیری ماشین را کشف کنید. مدرس دن سالیوان درباره MLlib - کتابخانه یادگیری ماشینی Spark - بحث می‌کند که ابزارهایی را برای دانشمندان داده و تحلیلگران فراهم می‌کند که ترجیح می‌دهند راه‌حل‌هایی برای مشکلات تجاری پیدا کنند تا اینکه کتابخانه‌های یادگیری ماشینی خود را کدنویسی، آزمایش کنند و نگهداری کنند. او نحوه استفاده از DataFrames برای سازماندهی ساختار داده را نشان می دهد و آماده سازی داده ها و رایج ترین انواع الگوریتم های یادگیری ماشینی را پوشش می دهد: خوشه بندی، طبقه بندی، رگرسیون و توصیه ها. در پایان دوره، تجربه بارگیری داده ها در Spark، پیش پردازش داده ها در صورت نیاز برای اعمال الگوریتم های MLlib و اعمال آن الگوریتم ها برای انواع مشکلات یادگیری ماشین را خواهید داشت.

Apache Spark ML

Introduction

Welcome ()

1. Introduction to Spark and MLlib

Introduction to Spark ()

Steps in the machine learning process ()

Install Spark ()

Organizing data in DataFrames ()

Components of Spark MLlib ()

2. Data Preparation and Transformation

Introduction to preprocessing ()

Normalize numeric data ()

Standardize numeric data ()

Bucketize numeric data ()

Tokenize text data ()

TF-IDF ()

Summary of preprocessing ()

3. Clustering

Introduction to clustering ()

K-means clustering ()

Hierarchical clustering ()

Summary of clustering techniques ()

4. Classification

Introduction to classification ()

Preprocessing the Iris data set ()

Naive Bayes classification ()

Multilayer perceptron classification ()

Decision trees classification ()

Summary of classification algorithms ()

5. Regression

Introduction to regresssion ()

Preprocessing regression data ()

Linear regression ()

Decision tree regression ()

Gradient-boosted tree regression ()

Summary of regression algorithms ()

6. Recommendations

Understand recommendation systems ()

Collaborative filtering ()

Conclusion

Tips for using Spark MLlib ()

Ex_Files_Spark_ML_AI.zip (113 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش Spark for Machine Learning & AI

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Spark for Machine Learning & AI در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

آیا آماده‌اید تا مهارت‌های هوش مصنوعی و یادگیری ماشینی خود را به سطح بعدی ببرید؟ این مسیر یادگیری جامع شما را با دانش و ابزارهایی برای پیشرفت در این زمینه مجهز می کند. نحوه استفاده از داده ها، ساخت و بهینه سازی مدل ها و مدیریت عملیات هوش مصنوعی را بیاموزید. یادگیری عمیق، یادگیری تقویتی و GAN ها را کاوش کنید. برای ایجاد راه حل های تاثیرگذار هوش مصنوعی و ایجاد نوآوری، تخصص را به دست آورید. سفر خود را برای تبدیل شدن به یک متخصص هوش مصنوعی از امروز شروع کنید.

آموزش Spark for Machine Learning & AI ، ایستگاه شماره 3 در مسیر یادگیری مهارت های خود را در هوش مصنوعی و یادگیری ماشینی ارتقا دهید ، است.