آموزش برنامه نویسی Spark ray و Python برای پروژه های عظیم Data Science

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با دیتا ساینس یاد می گیرید.

عنوان اصلی : Spark Ray and Python for Scalable Data Science

سرفصل ها :

1 - Spark، Ray و Python برای Scalable Data Science - مقدمه
2 - موضوعات
3 - 1.1 مقدمه و مواد
4 - 1.2 فرآیند علم داده
5 - 1.3 یک انحراف تاریخی مختصر
6 - 1.4 پرایمر سیستم های توزیع شده
7 - 1.5 چارچوب محاسباتی توزیع شده پایتون
8 - 1.6 چیستی و چرایی اسپارک
9 - 1.7 پلت فرم Spark
10 - 1.8 اسپارک در مقابل ری
11 - موضوعات
12 - 2.1 راه اندازی برنامه نویسی دوره
13 - 2.2 اولین شغل PySpark شما
14 - 2.3 مقدمه ای بر RDD ها
15 - 2.4 تبدیل در مقابل اعمال
16 - 2.5 RDD Deep Dive
17 - 2.6 زمینه اجرای جرقه
18 - 2.7 اسپارک در مقابل هادوپ
19 - 2.8 چرخه عمر برنامه Spark
20 - موضوعات
21 - 3.1 مقدمه ای بر تحلیل داده های اکتشافی
22 - 3.2 یک تور سریع از نوت بوک های Jupyter
23 - 3.3 تجزیه داده ها در مقیاس
24 - 3.4 Spark DataFrames - ادغام در گردش کار موجود
25 - 3.5 مقیاس گذاری تجزیه و تحلیل داده های اکتشافی با اسپارک
26 - 3.6 ایجاد حس داده ها - آمار خلاصه و تجسم داده ها
27 - 3.7 کار با متن - مقدمه ای بر NLP
28 - 3.8 Tokenization و Vectorization با MLlib
29 - موضوعات
30 - 4.1 چیستی و چرایی ری
31 - 4.2 مدل برنامه نویسی پرتو
32 - 4.3 موازی کردن توابع با وظایف پرتو
33 - 4.4 برنامه نویسی ناهمزمان با بازیگران
34 - 4.5 اتوماتای سلولی و بازی زندگی
36 - موضوعات
37 - 5.1 مقدمه ای بر ارزیابی مدل
38 - 5.2 سریال سازی داده ها برای برنامه های کاربردی یادگیری ماشین
39 - 5.3 اعتبارسنجی متقابل با scikit-learn
40 - 5.4 استراتژی برای تنظیم مدل های یادگیری ماشین
41 - 5.5 جستجوی شبکه ای در پایتون
42 - 5.6 بهینه سازی فراپارامتر توزیع شده با Ray Tune
43 - 5.7 جستجوی کارآمد منابع با توقف اولیه اصولی
44 - 5.8 غواصی عمیق تر به درونی های ری
45 - 5.9 خدمت مدل های یادگیری ماشین
46 - 5.10 استقرار برنامه های هوش مصنوعی با Ray Serve
47 - 5.11 نظارت بر عملکرد مدل در تولید
48 - Spark، Ray و Python برای Scalable Data Science - خلاصه