Apache SystemML w uczeniu maszynowym

Opis

Szkolenie zapewnia wszechstronne wprowadzenie do Apache SystemML, narzędzia do przetwarzania danych i uczenia maszynowego na dużą skalę. Podczas warsztatów uczestnicy poznają zasady działania systemu, jego integrację z platformami big data oraz implementację algorytmów uczenia maszynowego. Program skupia się na praktycznych zastosowaniach, z wykorzystaniem rzeczywistych przypadków użycia i dużych zbiorów danych.

Profil uczestnika

• Inżynierowie big data pracujący z dużymi zbiorami danych
• Data Scientists poszukujący skalowalnych rozwiązań ML
• Programiści systemów rozproszonych
• Architekci rozwiązań big data
• Specjaliści ds. analityki danych
• Deweloperzy aplikacji ML

Agenda

1. Wprowadzenie do Apache SystemML
• Architektura systemu
• Integracja z ekosystemem Hadoop
• Język DML (R-podobny)
• Optymalizacja wykonania
2. Implementacja algorytmów ML
• Przygotowanie danych
• Algorytmy uczenia nadzorowanego
• Algorytmy uczenia nienadzorowanego
• Przetwarzanie równoległe
3. Zaawansowane funkcje
• Optymalizacja wydajności
• Integracja z Spark
• Rozproszone przetwarzanie
• Debugowanie i profilowanie
4. Wdrożenie produkcyjne
• Zarządzanie przepływem danych
• Monitorowanie wydajności
• Skalowanie rozwiązań
• Najlepsze praktyki

Korzyści

Uczestnik zdobędzie umiejętność efektywnego wykorzystania Apache SystemML w projektach uczenia maszynowego na dużą skalę. Nauczy się implementować i optymalizować algorytmy ML w środowisku rozproszonym. Pozna techniki integracji SystemML z ekosystemem Hadoop i Spark. Będzie potrafił zarządzać wydajnością i skalowaniem rozwiązań ML. Zdobędzie praktyczną wiedzę o debugowaniu i profilowaniu aplikacji w SystemML. Nauczy się projektować i wdrażać rozproszone rozwiązania ML.

Wymagane przygotowanie uczestników

• Podstawowa znajomość uczenia maszynowego
• Doświadczenie z systemami big data
• Znajomość programowania w R lub Python
• Ogólna wiedza o systemach rozproszonych

Zagadnienia

• Architektura Apache SystemML
• Język DML
• Integracja z Hadoop
• Integracja ze Spark
• Algorytmy uczenia maszynowego
• Przetwarzanie rozproszone
• Optymalizacja wydajności
• Zarządzanie danymi
• Monitorowanie i debugowanie
• Skalowanie rozwiązań
• Przepływy danych
• Najlepsze praktyki wdrożeniowe

Poznaj naszą firmę