Kursplan
Introduktion
Förståelse av Big Data
Överblick över Spark
Överblick över Python
Överblick över PySpark
- Utdelning av data med hjälp av Resilient Distributed Datasets-ramverket
- Utdelning av beräkningar med hjälp av Spark API-operatörer
Inställning av Python med Spark
Inställning av PySpark
Användning av Amazon Web Services (AWS) EC2-instanser för Spark
Inställning av Databricks
Inställning av AWS EMR-cluster
Grunder i Python-programmering
- Kom igång med Python
- Användning av Jupyter Notebook
- Användning av variabler och enkla datatyper
- Arbeta med listor
- Användning av if-satser
- Användning av användarinmatning
- Arbeta med while-loopar
- Implementering av funktioner
- Arbeta med klasser
- Arbeta med filer und undantag
- Arbeta med projekt, data och API:er
Grunder i Spark DataFrame
- Kom igång med Spark DataFrames
- Implementering av grundläggande operationer med Spark
- Användning av Groupby och aggregationsoperationer
- Arbeta med tidsstämplar och datum
Praktiskt arbete med ett Spark DataFrame-projekt
Förståelse av maskininlärning med MLlib
Arbete med MLlib, Spark och Python för maskininlärning
Förståelse av regressioner
- Teori om linjär regression
- Implementering av kod för regressionsevaluering
- Praktiskt arbete med en linjär regressionsexempel
- Teori om logistisk regression
- Implementering av kod för logistisk regression
- Praktiskt arbete med en logistisk regressionsexempel
Förståelse av slumpmässiga skogar och beslutsträddar
- Teori om trädmetoder
- Implementering av kod för beslutsträddar och slumpmässiga skogar
- Praktiskt arbete med ett klassificeringsexempel med slumpmässig skog
Arbete med K-means-clustering
- Teori om K-means-clustering
- Implementering av kod för K-means-clustering
- Praktiskt arbete med ett exempel på clustering
Arbete med rekommendersystem
Implementering av naturlig språkbehandling
- Förståelse av naturlig språkbehandling (NLP)
- Överblick över NLP-verktyg
- Praktiskt arbete med ett NLP-exempel
Strömning med Spark på Python
- Överblick över strömning med Spark
- Exempel på Spark Streaming
Krav
- Allmänna programmeringskunskaper
Målgrupp
- Utvecklare
- IT-specialister
- Dataforskare
Vittnesmål (6)
Jag tyckte att det var praktiskt. Älskade att tillämpa den teoretiska kunskapen med praktiska exempel.
Aurelia-Adriana - Allianz Services Romania
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
Kursen handlade om en serie mycket komplexa och relaterade ämnen, och Pablo har djupgående kunskaper inom var och ett av dem. Ibland gick nyanser förlorade i kommunikationen och/eller på grund av tidspress, vilket möjligen ledde till att förväntningarna inte ganska uppfylldes. Det uppstod även några problem med UHG/Azure Databricks-installationen, men Pablo / UHG lade snabbt dessa till rätta när de blev uppenbara - detta visade en hög nivå av förståelse och professionella samarbete mellan UHG och Pablo,
Michael Monks - Tech NorthWest Skillnet
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
Individuell uppmärksamhet.
ARCHANA ANILKUMAR - PPL
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
Praktisk utbildning...
Abraham Thomas - PPL
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
Lektionerna undervisades i en Jupyter notebook. Ämnena var strukturerade med en logisk sekvens och bidrog på ett naturligt sätt till att sessionen utvecklades från de enklare delarna till de mer komplexa. Jag är redan en avancerad användare av Python med bakgrund i maskininlärning, så jag hittade kursen lättare att följa än, möjligen, några av mina klasskamrater som tog utbildningskursen. Jag uppskattar att vissa av de mest grundläggande koncepten hoppades över och att han fokuserade på de viktigaste frågorna.
Angela DeLaMora - ADT, LLC
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
övningsuppgifter
Pawel Kozikowski - GE Medical Systems Polska Sp. Zoo
Kurs - Python and Spark for Big Data (PySpark)
Maskintolkat
