Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
spark.mllib: tipos de dados, algoritmos e utilitários
- Tipos de dados
- Estatísticas básicas
- estatísticas sumárias
- correlações
- amostragem estratificada
- teste de hipóteses
- teste de significância em fluxo contínuo
- geração de dados aleatórios
- Classificação e regressão
- modelos lineares (SVMs, regressão logística, regressão linear)
- Bayes ingénuo
- árvores de decisão
- conjuntos de árvores (Random Forests e Gradient-Boosted Trees)
- regressão isotónica
- Filtragem colaborativa
- mínimos quadrados alternados (ALS)
- Agrupamento
- k-means
- mistura gaussiana
- agrupamento por iteração de potência (PIC)
- atribuição de Dirichlet latente (LDA)
- k-means de bissecção
- k-means de fluxo contínuo
- Redução da dimensionalidade
- decomposição do valor singular (SVD)
- análise de componentes principais (PCA)
- Extração e transformação de caraterísticas
- Extração de padrões frequentes
- FP-crescimento
- regras de associação
- PrefixSpan
- Métricas de avaliação
- Exportação do modelo PMML
- Otimização (programador)
- descida de gradiente estocástica
- BFGS de memória limitada (L-BFGS)
spark.ml: APIs de alto nível para pipelines ML
- Visão geral: estimadores, transformadores e pipelines
- Extrair, transformar e selecionar caraterísticas
- Classificação e regressão
- Agrupamento
- Tópicos avançados
Requisitos
Conhecimentos de um dos seguintes domínios:
- Java
- Scala
- Python
- SparkR
35 Horas
Declaração de Clientes (1)
Muitos exemplos práticos, diferentes formas de abordar o mesmo problema e, por vezes, truques não tão óbvios para melhorar a solução atual
Rafal - Nordea
Curso - Apache Spark MLlib
Máquina Traduzida
