Apache Spark MLlib – uczenie maszynowe na dużą skalę

Opis

Szkolenie zapewnia dogłębne zrozumienie biblioteki Apache Spark MLlib w kontekście uczenia maszynowego na dużych zbiorach danych. Program obejmuje zarówno teoretyczne podstawy algorytmów, jak i praktyczne aspekty ich implementacji w środowisku rozproszonym. Uczestnicy poznają zaawansowane techniki optymalizacji i skalowania modeli ML oraz najlepsze praktyki w zakresie wdrażania rozwiązań produkcyjnych.

Profil uczestnika

• Data Scientists pracujący z dużymi zbiorami danych
• Inżynierowie ML implementujący rozwiązania skalowalne
• Architekci rozwiązań AI/ML
• Deweloperzy aplikacji analitycznych
• Specjaliści Big Data zainteresowani ML
• Analitycy danych rozwijający się w kierunku ML

Agenda

1. Podstawy MLlib i distributed ML
• Architektura MLlib
• Przygotowanie danych do uczenia
• Podstawowe algoritmy ML
• Distributed Computing w ML
2. Zaawansowane algorytmy i modele
• Klasyfikacja i regresja
• Clustering i redukcja wymiarowości
• Systemy rekomendacyjne
• Przetwarzanie tekstu i NLP
3. Optymalizacja i strojenie modeli
• Walidacja krzyżowa
• Strojenie hiperparametrów
• Ocena jakości modeli
• Pipeline optimization
4. Wdrażanie i utrzymanie
• Deployment modeli ML
• Monitoring i aktualizacja modeli
• Zarządzanie wersjami
• ML Pipeline Management

Korzyści

Nabycie zaawansowanej wiedzy w zakresie implementacji uczenia maszynowego na dużą skalę. Zdobycie praktycznych umiejętności w projektowaniu i optymalizacji modeli ML. Poznanie technik efektywnego wdrażania rozwiązań ML w środowisku produkcyjnym. Przyswojenie metod monitorowania i aktualizacji modeli uczenia maszynowego. Opanowanie najlepszych praktyk w zarządzaniu pipelinami ML. Rozwój umiejętności w zakresie distributed computing dla ML.

Wymagane przygotowanie uczestników

• Znajomość podstaw uczenia maszynowego
• Doświadczenie w programowaniu Python lub Scala
• Podstawowa znajomość Apache Spark
• Wiedza z zakresu statystyki i matematyki

Zagadnienia

• Architektura MLlib
• Distributed Machine Learning
• Algorytmy klasyfikacji i regresji
• Techniki clusteringu
• Systemy rekomendacyjne
• Przetwarzanie tekstu
• Optymalizacja modeli
• Pipeline Management
• Model Deployment
• Monitoring i aktualizacja modeli

Poznaj naszą firmę