Potrzeby w zakresie analizy du

Osoby które kupowały "Zaawansowana analiza danych w PySpark. Metody przetwarzania informacji na szerok", wybierały także:

• Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zÅ‚, (59,70 zÅ‚ -70%)
• Power BI Desktop. Kurs video. Wykorzystanie narzÄ™dzia w analizie i wizualizacji danych 349,00 zÅ‚, (104,70 zÅ‚ -70%)
• Statystyka. Kurs video. Przewodnik dla student 128,71 zÅ‚, (39,90 zÅ‚ -69%)
• Microsoft Excel. Kurs video. Wykresy i wizualizacja danych 199,00 zÅ‚, (69,65 zÅ‚ -65%)
• Analiza danych w Tableau. Kurs video. Podstawy pracy analityka 249,00 zÅ‚, (87,15 zÅ‚ -65%)

Spis treści

Zaawansowana analiza danych w PySpark. Metody przetwarzania informacji na szeroką skalę z wykorzystaniem Pythona i systemu Spark eBook -- spis treści

Słowo wstępne

1. Analiza wielkich zbiorów danych

• Praca z wielkimi zbiorami danych
• Przedstawiamy Apache Spark i PySpark
  • Komponenty
  • PySpark
  • Ekosystem
• Spark 3.0
• PySpark i wyzwania w nauce o danych
• O czym jest ta książka

2. Wprowadzenie do analizy danych za pomocÄ… PySpark

• Architektura systemu Spark
• Instalacja interfejsu PySpark
• Przygotowanie danych
• Analiza danych za pomocÄ… struktury DataFrame
• Szybkie statystyki zbiorcze w strukturze DataFrame
• Przestawienie i przeksztaÅ‚cenie struktury DataFrame
• ZÅ‚Ä…czenie struktur DataFrame i wybór cech
• Ocena modelu
• Dalsze kroki

3. Rekomendowanie muzyki i dane Audioscrobbler

• Zbiór danych
• Wymagania dla systemu rekomendacyjnego
• Algorytm naprzemiennych najmniejszych kwadratów
• Przygotowanie danych
• Utworzenie pierwszego modelu
• Wyrywkowe sprawdzanie rekomendacji
• Ocena jakoÅ›ci rekomendacji
• Obliczenie wskaźnika AUC
• Dobór wartoÅ›ci hiperparametrów
• Przygotowanie rekomendacji
• Dalsze kroki

4. Prognozowanie zalesienia za pomocÄ… drzewa decyzyjnego

• Drzewa i lasy decyzyjne
• Przygotowanie danych
• Pierwsze drzewo decyzyjne
• Hiperparametry drzewa decyzyjnego
• Regulacja drzewa decyzyjnego
• Weryfikacja cech kategorialnych
• Losowy las decyzyjny
• Prognozowanie
• Dalsze kroki

5. Wykrywanie anomalii w ruchu sieciowym metodą grupowania edług k-średnich

• Grupowanie wedÅ‚ug k-Å›rednich
• Wykrywanie anomalii w ruchu sieciowym
  • Dane KDD Cup 1999
• Pierwsza próba grupowania
• Dobór wartoÅ›ci k
• Wizualizacja w Å›rodowisku R
• Normalizacja cech
• Zmienne kategorialne
• Wykorzystanie etykiet i wskaźnika entropii
• Grupowanie w akcji
• Dalsze kroki

6. Wikipedia, algorytmy LDA i Spark NLP

• Algorytm LDA
  • Algorytm LDA w interfejsie PySpark
• Pobranie danych
• Spark NLP
  • Przygotowanie Å›rodowiska
• PrzeksztaÅ‚cenie danych
• Przygotowanie danych za pomocÄ… biblioteki Spark NLP
• Metoda TF-IDF
• Wyliczenie wskaźników TF-IDF
• Utworzenie modelu LDA
• Dalsze kroki

7. Geoprzestrzenna i temporalna analiza tras nowojorskich taksówek

• Przygotowanie danych
  • Konwersja ciÄ…gów znaków na znaczniki czasu
  • ObsÅ‚uga bÅ‚Ä™dnych rekordów danych
• Analiza danych geoprzestrzennych
  • Wprowadzenie do formatu GeoJSON
  • Biblioteka GeoPandas
• Sesjonowanie w interfejsie PySpark
  • Budowanie sesji - dodatkowe sortowanie danych w systemie Spark
• Dalsze kroki

8. Szacowanie ryzyka finansowego

• Terminologia
• Metody obliczania wskaźnika VaR
  • Wariancja-kowariancja
  • Symulacja historyczna
  • Symulacja Monte Carlo
• Nasz model
• Pobranie danych
• Przygotowanie danych
• OkreÅ›lenie wag czynników
• Losowanie prób
  • Wielowymiarowy rozkÅ‚ad normalny
• Wykonanie testów
• Wizualizacja rozkÅ‚adu zwrotów
• Dalsze kroki

9. Analiza danych genomicznych i projekt BDG

• Rozdzielenie sposobów zapisu i modelowania danych
• Przygotowanie pakietu ADAM
• Przetwarzanie danych genomicznych za pomocÄ… pakietu ADAM
  • Konwersja formatów plików za pomocÄ… poleceÅ„ pakietu ADAM
  • Pozyskanie danych genomicznych przy użyciu interfejsu PySpark i pakietu ADAM
• Prognozowanie miejsc wiÄ…zania czynnika transkrypcyjnego na podstawie danych ENCODE
• Dalsze kroki

10. OkreÅ›lanie podobieÅ„stwa obrazów za pomocÄ… gÅ‚Ä™bokiego uczenia i algorytmu PySpark LSH

• PyTorch
  • Instalacja
• Przygotowanie danych
  • Skalowanie obrazów za pomocÄ… PyTorch
• Wektoryzacja obrazów za pomocÄ… modelu gÅ‚Ä™bokiego uczenia
  • Osadzenie obrazów
  • Import osadzeÅ„ obrazów do pakietu PySpark
• OkreÅ›lanie podobieÅ„stwa obrazów za pomocÄ… algorytmu PySpark LSH
  • Wyszukiwanie najbliższych sÄ…siadów
• Dalsze kroki

11. ZarzÄ…dzanie cyklem uczenia maszynowego za pomocÄ… platformy MLflow

• Cykl uczenia maszynowego
• Platforma MLflow
• Åšledzenie eksperymentów
• ZarzÄ…dzanie modelami uczenia maszynowego i udostÄ™pnianie ich
• Tworzenie i stosowanie projektów za pomocÄ… moduÅ‚u MLflow Projects
• Dalsze kroki