Schița de curs
Introducere
Înțelegerea Big Data
Prezentarea generală a Spark
Prezentarea generală a Python
Prezentarea generală a PySpark
- Distribuirea datelor folosind cadrul Resilient Distributed Datasets
- Distribuirea calculului folosind operatorii API Spark
Configurarea Python cu Spark
Configurarea PySpark
Folosirea instanțelor Amazon Web Services (AWS) EC2 pentru Spark
Configurarea Databricks
Configurarea clusterului AWS EMR
Învățarea bazei programării în Python
- Pornirea cu Python
- Folosirea Jupyter Notebook
- Folosirea variabilelor și a tipurilor de date simple
- Lucrul cu liste
- Folosirea enunțurilor if
- Folosirea intrărilor utilizatorului
- Lucrul cu bucle while
- Implementarea funcțiilor
- Lucrul cu clase
- Lucrul cu fișiere și excepții
- Lucrul cu proiecte, date și API-uri
Învățarea bazei Spark DataFrame
- Pornirea cu Spark DataFrames
- Implementarea operațiunilor de bază în Spark
- Folosirea operațiunilor Groupby și Aggregate
- Lucrul cu timpi și date
Lucrul la un exercițiu de proiect Spark DataFrame
Înțelegerea Machine Learning cu MLlib
Lucrul cu MLlib, Spark și Python pentru Machine Learning
Înțelegerea Regresiei
- Învățarea teoriei Regresiei Lineare
- Implementarea codului de evaluare a regresiei
- Lucrul la un exercițiu de regresie liniară
- Învățarea teoriei Regresiei Logistice
- Implementarea codului pentru Regresia Logistică
- Lucrul la un exercițiu de regresie logistică
Înțelegerea Random Forests și Decision Trees
- Învățarea teoriei metodelor de tip copac
- Implementarea codului pentru Decision Trees și Random Forests
- Lucrul la un exercițiu de clasificare Random Forest
Lucrul cu K-means Clustering
- Înțelegerea teoriei K-means Clustering
- Implementarea codului pentru K-means Clustering
- Lucrul la un exercițiu de clustering
Lucrul cu Sisteme de Recomandare
Implementarea Processării Limbajului Natural
- Înțelegerea Processării Limbajului Natural (NLP)
- Prezentarea generală a uneltelor NLP
- Lucrul la un exercițiu de NLP
Streaming cu Spark în Python
- Prezentarea generală a Streaming cu Spark
- Exercițiu de Spark Streaming
Cerințe
- Abilități generale de programare
Public țintă
- Dezvoltatori
- Professionați IT
- Științifici de date
Mărturii (6)
Mi-a plăcut că a fost practic. Am adorat să aplic cunoștințele teoretice cu exemple practice.
Aurelia-Adriana - Allianz Services Romania
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
Cursul a abordat o serie de subiecte foarte complexe și interconectate, iar Pablo are o expertiză profundă în fiecare dintre ele. Uneori, nuanțele erau pierdute în comunicare și/sau din cauza presiunilor temporale, ceea ce a putut duce la neîndeplinirea unor așteptări. De asemenea, au fost câteva probleme cu configurarea UHG/Azure Databricks, dar Pablo și UHG le-au rezolvat rapid odată ce au devenit vizibile - pentru mine, acest lucru a demonstrat un nivel ridicat de înțelegere și profesionalism între UHG și Pablo,
Michael Monks - Tech NorthWest Skillnet
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
Atenție individuală.
ARCHANA ANILKUMAR - PPL
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
Formare practică..
Abraham Thomas - PPL
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
Lecțiile au fost predate într-un notebook Jupyter. Subiectele erau structurate cu o succesiune logică și ajutau în mod natural la dezvoltarea sesiunii de la părțile mai simple până la cele mai complexe. Sunt deja un utilizator avansat al Python, cu experiență în Machine Learning, așa că am găsit cursul mai ușor de urmărit decât, posibil, cei dintre colegii mei care au participat la acest curs de instruire. Apreciez faptul că unele din conceptele cele mai elementare au fost omise și s-a concentrat pe aspectele cele mai importante.
Angela DeLaMora - ADT, LLC
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
sarcini de exercițiu
Pawel Kozikowski - GE Medical Systems Polska Sp. Zoo
Curs - Python and Spark for Big Data (PySpark)
Tradus de catre o masina
