Accueil > Formations > Data Science – Deep learning > Spark ML

Formation Spark ML

Domaine : Data Science – Deep learning

DURÉE
2 jour(s)

OBJECTIFS

Savoir mettre en oeuvre les outils de Machine Learning sur Spark. Savoir créer des modèles et les exploiter.

Pré-requis

Connaissance d'un langage de programmation comme Python, Java ou Scala.

Participants

Chef de projets, architecte.

coût

Formation en cours collectif
Tarif par personne : 1370 € HT

Nous contacter pour une formation sur mesure ou en intra

programme

Télécharger le plan de cours

Consulter le plan de cours

LIEUx de formation

Notre centre de formation à Grenoble Notre centre de formation à Moirans

Notre centre de formation à Sophia AntipolisOu sur votre site en formation intra

PROGRAMME DE FORMATION
Spark ML

Introduction

DataFrames

Objectifs (Traitement de données structurées, API DataSet et DataFrames)
Optimisation des requêtes (Mise en oeuvre des DataFrames et DataSet)
Chargement de données, pré-traitement (Standardisation, Transformations non linéaires, Discrétisation)
Génération de données

Traitements statistiques de base

Introduction aux calculs statistiques (Paramétrisation des fonctions)
Applications aux fermes de calculs distribués (Problématiques induites, Approximations, Précision des estimations)
Exemples sur Spark : Calculs distribués de base (Moyennes, variances, écart-type, asymétrie et aplatissement (skewness/kurtosis))

Machine Learning

Apprentissage automatique (Définition, Attentes par rapport au Machine Learning)
Les valeurs d'observation et les variables cibles (Ingénierie des variables)
Les méthodes (Apprentissage supervisé et non supervisé, Classification, régression)
Fonctionnalités (Machine Learning avec Spark, Algorithmes standards, Gestion de la persistence, Statistiques)

Mise en oeuvre sur Spark

Mise en oeuvre avec les DataFrames
Algorithmes (Régression linéaire, k-moyennes, k-voisins, Classification naïve bayésienne, Arbres de décisions, Forêts aléatoires)
Création de jeux d'essai (Entraînement et construction de modèles)
Prévisions à partir de données réelles
Travaux pratiques (Régression logistiques, Forêts aléatoires, k-moyennes)
Recommandations (recommendForAllUsers(), recommendForAllItems())

Modèles

Chargement et enregistrement de modèles
Mesure de l'efficacité des algorithmes (Courbes ROC, MulticlassClassificationEvaluator())
Mesure de performance (Descente de gradient)
Modification des hyper-paramètres
Application pratique avec les courbes d'évaluations

Spark/GraphX

Gestion de graphes orientés sur Spark
Fourniture d'algorithmes (Opérateurs simples pour des calculs statistiques sur les graphes)
Travaux pratiques (Exemples d'opérations sur les graphes)

Introduction aux réseaux de neurones
Les types de couches (Convolution, pooling et pertes)
L'approche du Deep Learning avec Spark

dates des formations a grenoble

Du 08/03/21 au 09/03/21
Réserver
Du 10/06/21 au 11/06/21
Réserver
Du 11/10/21 au 12/10/21
Réserver
Du 13/12/21 au 14/12/21
Réserver

dates des formations a SOPHIA ANTIPOLIS

Du 08/03/21 au 09/03/21
Réserver
Du 10/06/21 au 11/06/21
Réserver
Du 11/10/21 au 12/10/21
Réserver
Du 13/12/21 au 14/12/21
Réserver

formations associées

Machine Learning avec Scikit-Learn
Introduction au Machine Learning avec Python