Data ScienceScala

Maszynowe Uczenie i Analiza Danych z Scala

10 - 15 paź 2024

Online

4 200,00 zł netto / osobę
Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki
  • O szkoleniu

    Szkolenie Maszynowe uczenie i analiza danych z Scala to drugie szkolenie ze ścieżki Scala dla Data Scientist. Swoim zakresem szkolenie obejmuje tematy niezbędne do pracy Data Scientist. Wśród najważniejszych należy wyróżnić tworzenie i wykorzystanie algorytmów maszynowego uczenia do problemów segmentacji, klasyfikacji oraz predykcji.

    Szkolenie zostało stworzone przez praktyków Data Science . Uczestnicy szkolenia zdobędą wiedzę do tworzenia rozwiązań maszynowego uczenia przy pomocy Scali i powiązanych technologii takich jak Akka, oraz Apache Spark.

    Dla kogo jest to szkolenie?

    • Data Scientist
    • Data Engineer

    Czego się nauczę?

    Po ukończeniu szkolenia uczestnik będzie potrafił:

    • Ładować, przetwarzać i obrabiać dane za pomocą bibliotek Breeze oraz Spark
    • Wizualizować dane za pomocą Apache Zeppelin i Bokeh Scala
    • Tworzyć algorytmy maszynowego uczenia i wdrażać je przy pomocy EC2 oraz YARN
    • Wykorzystywać najpopularniejsze algorytmy maszynowego uczenia do rozwiązywania najczęściej spotykanych problemów
    1. Podstawowe operacje na danych w Breeze
    • Intstalacja Breeze – Biblioteki do liniowej algebry
    • Operacje na wektorach i macierzach
    • Ładowanie i zapisywanie plików płaskich
    2. Przetwarzanie danych w formacie Spark DataFrames
    • Tworzenie DataFrame z plików CSV
    • Podstawowe manipulacje DataFrames
    • Ładowanie JSON jako DataFrame
    • Ładowanie danych z RDBMS
    3. Skalowanie problemów
    • Przesyłanie zadań do klastra Spark
    • Uruchamianie klastra na EC2
    • Wywoływanie zadań na Mesos
    • Wywoływanie zadań na Yarn
    4. Wizualizacja danych
    • Wizualizacja przy pomocy Zeppelin
    • Tworzenie wykresów z interfejsem Bokeh-Scala
    1. Wprowadzenie do Machine learning
    • Rodzaje problemów dla maszynowego uczenia
    • Taksonomia problemów maszynowego uczenia i przegląd algorytmów
    • Rola Scala w maszynowym uczeniu
    • Narzędzia i technologie ML
    2. Projektowanie i ocena modeli ML
    • Cykl produkcyjny w ML
    • Modelowanie jako proces
    • Walidacja algorytmów i strategie
    • Przeuczenie
    • Kompromis Bias – Variance
    3. Przygotowanie danych do maszynowego uczenia
    • Obserwacje nietypowe
    • Standaryzacja, normalizacja
    • Binaryzacja danych jakościowych
    • Binning
    4. Regresja i Regularyzacja
    • Model regresji liniowej
    • Regularyzacja L1, L2
    • Optymalizacja
    • Regresja logistyczna
    5. Klasyfikacja z Naive Bayes
    • Prawdopodobieństwo warunkowe i twierdzenie Bayesa
    • Klasyfikator Naive Bayes
    • Implementacja do danych tekstowych
    6. Support Vector Machines
    • Funkcje jądrowe
    • SVM
    • Support vector classifier
    • Support Vector Regressor
    • Wykrywanie anomalii
    7. Sieci Neuronowe
    • Feed forward Neural Networks
    • Multilayer Perceptron
    • Funkcje aktywujące, straty
    • Architektura sieci
    • Ewaluacja
    8. Algorytmy genetyczne
    • Ewolucja
    • Komponenty algorytmów genetycznych
    • Implementacja
    • Zastosowanie algorytmów genetycznych
    9. Reinforcement learning
    • Wprowadzenie
    • Q-Learning
    • Implementacja
    • Learning classifier systems
    10. Uczenie bez nadzoru ( z ang. Unsupervised learning)
    • Clustering
    • Redukcja wymiaru
    • Algorytm expectation maximization
    11. Skalowalne platformy
    • Scala
    • Akka
    • Apache Spark