Cursusaanbod
Inleiding
Big Data begrijpen
Overzicht van Spark
Overzicht van Python
Overzicht van PySpark
- Gegevens verdelen met het Resilient Distributed Datasets-framework
- Computation verdelen met Spark API-operatoren
Python instellen met Spark
PySpark instellen
Amazon Web Services (AWS) EC2-instanties gebruiken voor Spark
Databricks instellen
De AWS EMR-cluster instellen
De basis van Python-programmeren leren
- Beginnen met Python
- De Jupyter Notebook gebruiken
- Werken met variabelen en eenvoudige datatypes
- Werken met lijsten
- If-statements gebruiken
- Gebruikersinvoer gebruiken
- Werken met while-loops
- Functies implementeren
- Werken met klassen
- Werken met bestanden en uitzonderingen
- Werken met projecten, gegevens en API's
De basis van Spark DataFrame leren
- Beginnen met Spark DataFrames
- Basisbewerkingen met Spark implementeren
- Groupby- en aggregate-bewerkingen gebruiken
- Werken met tijdstempels en data
Werk aan een Spark DataFrame projectoefening
Machine Learning begrijpen met MLlib
Werken met MLlib, Spark en Python voor Machine Learning
Regressies begrijpen
- Theorie van lineaire regressie leren
- Evaluatiecode voor regressie implementeren
- Werk aan een voorbeeldoefening voor lineaire regressie
- Theorie van logistische regressie leren
- Code voor logistische regressie implementeren
- Werk aan een voorbeeldoefening voor logistische regressie
Random Forests en Decision Trees begrijpen
- Theorie van boommethodes leren
- Code voor Decision Trees en Random Forests implementeren
- Werk aan een voorbeeldoefening voor classificatie met Random Forests
Werken met K-means Clustering
- Theorie van K-means Clustering begrijpen
- Een K-means Clustering code implementeren
- Werk aan een voorbeeldoefening voor clustering
Werken met Recommender Systems
Natural Language Processing implementeren
- Natural Language Processing (NLP) begrijpen
- Overzicht van NLP-tools
- Werk aan een voorbeeldoefening voor NLP
Streaming met Spark op Python
- Overzicht van Streaming met Spark
- Voorbeeldoefening voor Spark Streaming
Vereisten
- Algemene programmeerkennis
Doelgroep
- Developers
- IT-professionals
- Data Scientist
Getuigenissen (6)
Ik vond het fijn dat het praktisch was. Ik hield ervan om de theoretische kennis toe te passen met praktijkvoorbeelden.
Aurelia-Adriana - Allianz Services Romania
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
De curs ging over een reeks zeer complexe en onderling verbonden onderwerpen, waar Pablo diepgaande expertise in heeft. Soms gingen nuances verloren bij de communicatie en/of vanwege tijdsdruk, waardoor de verwachtingen mogelijk niet helemaal werden ingehouden. Er waren ook enkele UHG/Azure Databricks instellingsproblemen, maar Pablo en UHG losten deze snel op zodra ze duidelijk werden - dit toonde volgens mij een hoge graad van begrip en professionaliteit tussen UHG en Pablo,
Michael Monks - Tech NorthWest Skillnet
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
Persoonlijke aandacht.
ARCHANA ANILKUMAR - PPL
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
Praktijkgericht onderwijs..
Abraham Thomas - PPL
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
De lessen werden gegeven in een Jupyter notebook. De onderwerpen waren gestructureerd met een logische volgorde en hielpen natuurlijk bij het ontwikkelen van de sessie, van de eenvoudigere delen naar de complexere. Ik ben al een gevorderd Python-gebruiker met een achtergrond in Machine Learning, dus vond ik het cursus makkelijker te volgen dan mogelijk sommige van mijn klasgenoten die de opleiding hebben gevolgd. Ik waardeer dat enkele van de meest elementaire concepten werden overgeslagen en dat hij zich richtte op de belangrijkste zaken.
Angela DeLaMora - ADT, LLC
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
oefeningstaken
Pawel Kozikowski - GE Medical Systems Polska Sp. Zoo
Cursus - Python and Spark for Big Data (PySpark)
Automatisch vertaald
