Machine Learning avec PySpark : Science des données distribuée à grande échelle

Alors que les ensembles de données deviennent trop volumineux pour une seule machine, les outils traditionnels de science des données atteignent leurs limites. Maîtriser l'apprentissage automatique distribué vous permet d'entraîner des modèles sur des ensembles de données massifs de manière efficace. Ce cours textuel vous guide des concepts fondamentaux du big data à la construction et au déploiement de pipelines d'apprentissage automatique évolutifs. Vous apprendrez à traiter des données à grande échelle et à exécuter des algorithmes d'apprentissage automatique sur des clusters en utilisant PySpark. Ce que vous apprendrez : - Comprendre les concepts clés du calcul distribué, de l'architecture Spark et des DataFrames PySpark. - Préparer et nettoyer des ensembles de données à grande échelle en utilisant les outils d'ingénierie des caractéristiques de PySpark. - Construire et entraîner des modèles d'apprentissage automatique supervisé pour la classification et la régression. - Implémenter des techniques d'apprentissage non supervisé, y compris les algorithmes de clustering et de recommandation. - Construire des pipelines d'apprentissage automatique de bout en bout pour automatiser la préparation des données et l'entraînement des modèles. - Intégrer des flux de travail MLflow modernes pour suivre les expériences et gérer les versions des modèles au sein de votre pipeline Spark. Vous commencerez par la terminologie clé, les concepts de base des architectures distribuées et les définitions fondamentales avant de passer à des démonstrations de code pratiques. Le matériel progresse logiquement de l'ingestion et du nettoyage des données à l'évaluation des modèles et à la gestion du cycle de vie. Conçu pour les data scientists, analystes et développeurs débutants qui souhaitent passer au big data, ce cours ne nécessite aucune expérience préalable des systèmes distribués. Commencez à lire dès aujourd'hui pour libérer la puissance de l'apprentissage automatique distribué avec PySpark.