Usando Spark para extraer rápidamente el significado de conjuntos de datos masivos a través de un cluster Hadoop tolerante a fallos.
Resolver problemas de análisis de datos con Spark.
7
Horas
Horas dedicadas al curso.
95
Clases
Clases totales
25
Estudio
Horas dedicadas de estudio
5
Nivel
Avanzado
Programacion con Python
- Python 2 vs 3.
- Tipos de IDE.
- Github.
- Tipos de Variables.
- Operadores.
- Listas.
- Tuplas.
- Numpy y Matrices.
- Diccionarios.
- Visualización.
- Funciones.
Fundamentos de Spark
- Introduccion Spark.
- RDD's.
- Pares Clave / Valor.
- Filtrando RDD's.
- Flatmap( ).
Spark en Cluster en la Nube / AWS EMR
- Elastic MapReduce.
- Particiones.
- Diagnostico de errores.
Machine Learning con Spark
- MLLib.
- Sistema de Recomendaciones.
Machine Learning con Python
- Procesamiento de Datos.
- Separando Datos en Sets de Entrenamiento y Prueba.
- Escalado de Caracteristicas.
- Regresion Lineal Simple.
- Adaptando Regresion en Set de Entrenamiento.
- Graficando Resultados y Conclusiones.
Deep Learning con Python
- Que es Deep learning.
- Introduccion Redes Neuronales Artificiales.
- La Neurona.
- Funcion de Activacion.
- Como Funcionan las Redes Neuronales.
- Como Aprenden las Redes Neuronales.
- Descenso de Gradiente.
- Descenso de Gradiente Estocastica.
Satisfacción
¿Qué aprendí?
- Usar DataFrames y Streaming estructurado en Spark .
- Enmarcar grandes problemas de análisis de datos como problemas de Spark.
- Elastic MapReduce de Amazon para ejecutar su trabajo en un clúster con Hadoop YARN.
- Implementar algoritmos iterativos como la búsqueda por amplitud usando Spark.
- Usar la biblioteca de aprendizaje de máquina MLLib para responder a preguntas comunes sobre minería de datos.
- Ajustar y solucionar problemas de grandes trabajos que se ejecutan en un clúste.r
- Compartir información entre nodos en un cluster de Spark usando variables de transmisión y acumuladores.
