Machine Learning with PySpark

Sajátítsa el a PySpark 3.1 új funkcióit adatvezérelt, intelligens alkalmazások fejlesztéséhez. Ez a frissített kiadás a skálázható gépi tanulási modellek felépítésétől a természetes nyelvi feldolgozáson át az ajánlórendszerekig terjedő témákat fedi le. A PySpark gépi tanulása, második kiadása az Apache Spark alapjaival kezdődik, beleértve a keretrendszer legújabb frissítéseit. Ezután megismerheti a hagyományos gépi tanulási algoritmusok teljes spektrumát, valamint a természetes nyelvi feldolgozást és az ajánlórendszereket. Megismerheti a gépi tanulási algoritmusok kiválasztásának, az adatfeldolgozásnak és az adatfeldolgozásnak az üzleti problémák megoldásához szükséges kritikus folyamatát. Megtekintheti a felügyelt gépi tanulási modellek, például a lineáris regresszió, a logisztikai regresszió, a döntési fák és a véletlenszerű erdők létrehozásának bemutatóját. Azt is megtudhatja, hogyan automatizálhatja a lépéseket Spark-folyamatokkal, majd olyan felügyelt modellekkel, mint a K-közép és a hierarchikus fürtözés. A természetes nyelvi feldolgozásról (NLP) szóló rész a szövegfeldolgozással, a szövegbányászattal és az osztályozáshoz szükséges beágyazással foglalkozik. Ez az új kiadás bemutatja a Koalákat a Sparkban, valamint az adatmunkafolyamatok automatizálását az Airflow és a PySpark legújabb ML-könyvtárának használatával. A könyv elolvasása után meg fogja érteni, hogyan használhatja a PySpark gépi tanulási könyvtárát különféle gépi tanulási modellek, valamint a kapcsolódó összetevők létrehozására és betanítására. például adatbevitel, feldolgozás és vizualizáció adatvezérelt intelligens alkalmazások fejlesztéséhez Amit meg fog tanulni: felügyelt és nem felügyelt gépi tanulási algoritmusok spektrumának felépítése. A PySpark gépi tanulási könyvtárának használata gépi tanulási és ajánlórendszerek megvalósításához. Használja ki a PySpark gépi tanulási könyvtárának új funkcióit. Adatok megértése feldolgozás Koalák használatával a Sparkban Kezelje a funkciók tervezésével, osztályegyensúlyával, torzításával és szórásával kapcsolatos problémákat, valamint a keresztellenőrzést az optimálisan illeszkedő modellek felépítéséhez.Ki ez a könyv adattudományi és gépi tanulási szakembereknek szól.