Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
spark.mllib: Datentypen, Algorithmen und Dienstprogramme
- Datentypen
- Grundlegende Statistiken
- zusammenfassende Statistiken
- Korrelationen
- geschichtete Stichproben
- Hypothesentests
- Streaming-Signifikanztests
- Erzeugung von Zufallsdaten
- Klassifizierung und Regression
- lineare Modelle (SVMs, logistische Regression, lineare Regression)
- Naive Bayes
- Entscheidungsbäume
- Ensembles von Bäumen (Random Forests und Gradient-Boosted Trees)
- isotonische Regression
- Kollaborative Filterung
- alternierende kleinste Quadrate (ALS)
- Clustering
- k-means
- Gaußsche Mischung
- Power-Iterations-Clustering (PIC)
- Latente Dirichlet-Zuordnung (LDA)
- bisecting k-means
- strömendes k-means
- Dimensionalitätsreduktion
- Singulärwert-Zerlegung (SVD)
- Hauptkomponentenanalyse (PCA)
- Merkmalsextraktion und -transformation
- Suche nach häufigen Mustern
- FP-Wachstum
- Assoziationsregeln
- PräfixSpan
- Bewertungsmetriken
- PMML-Modell-Export
- Optimierung (Entwickler)
- stochastischer Gradientenabstieg
- BFGS mit begrenztem Speicher (L-BFGS)
spark.ml: Hochrangige APIs für ML-Pipelines
- Überblick: Schätzer, Transformatoren und Pipelines
- Extrahieren, Transformieren und Auswählen von Merkmalen
- Klassifizierung und Regression
- Clustering
- Fortgeschrittene Themen
Voraussetzungen
Kenntnisse in einem der folgenden Bereiche:
- Java
- Scala
- Python
- SparkR
35 Stunden
Erfahrungsberichte (1)
Viele praktische Beispiele, verschiedene Wege, das gleiche Problem anzugehen, und manchmal nicht so offensichtliche Tricks, wie man die aktuelle Lösung verbessern kann
Rafał - Nordea
Kurs - Apache Spark MLlib
Maschinelle Übersetzung
