Mezunlarımızın Çalıştığı Şirketler
Eğitim programlarımız lider şirketlerle kurduğumuz ortaklıklar ile güçlendirilmiş ve inovatif ekipler tarafından kullanılmaktadır.
Program hakkında ayrıntılı bilgi edinin
Kurs 3 Saat
Spark Makine Öğrenmesi
Spark, dağıtık veri işlemenin zorlu tarafını geliştiriciden yalıtarak ona bütünleşik ve kullanımı kolay API’ler sunan analitik bir veri işleme platformudur. Spark'ın bütünleşik programlama modeli, veri açısından zengin analitik uygulamalar geliştirenler için onu en iyi seçim haline getirir. Spark ile parti veya akan veri işlemek mümkündür.
Spark'ın onlarca farklı özelliklerinden bir tanesi da makine öğrenmesi modellerini büyük ölçekteki veriler üzerinde mümkün kılmasıdır. Bu eğitimde Spark ML kütüphaneleri tanınacak ve bu kütüphaneler yardımıyla supervised, unsupervised öğrenme yöntemleriyle örnek modeller geliştirilecektir.
Spark yapay öğrenme kütüphanelerinin tanıtımı ve Spark ML Pipelines temel kavramları ele alınarak makine öğrenmesi uygulamalarına giriş ve ön hazırlık yapılır.
- Spark ML Pipelines Giriş ve Kütüphanaleri Tanıma
En yaygın gözetimli öğrenme yöntemlerinden olan Regresyon ile model geliştirilecek ve veri hazırlık süreci detaylı olarak ele alınacaktır. Regresyon model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
- Regresyon Problemi ve Veriyi Tanıma
- Veri Okuma
- Şema Kontrolü
- Şema Üzerinde Düzeltmeler
- Boş Değerlerle Uğraşma
- Veri Türlerine Göre Nitelikleri Gruplandırma
- Kategorik Nitelikleri Keşfetme
- Kategorik Nitelikleri İşlemede String Indexer ve OneHotEncoder Kullanımı
- Girdi Nitelikleri Bir Araya Toplama: VectorAssembler, Scaler ve Estimator
- ML Pipeline Oluşturma, Model Eğitim, Test ve Değerlendirmesi
Spark ML sınıflandırma algoritmalarından birisiyle ve örnek bir veri seti üzerinde ML Pipelines kullanarak sınıflandırma modeli geliştirilecektir. Sınıflandırma model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
- Sınıflandırma Problemi ve Veriyi Anlama
- Nitelikleri Türlere Göre Gruplama, Kategorik Nitelikleri İşleme
- StringIndexer, OneHotEncoder, VectorAssembler, Scaler ve Estimator
- Model Eğitim, Test ve Değerlendirmesi
Spark ML kütüphanesinde bulunan KMeans algoritması örnek bir veri seti üzerinde kullanarak kümeleme modeli geliştirilecektir. Kümeleme model değerlendirme kütüphanesi kullanılarak ideal küme sayısı bulunacaktır.
- Kümeleme Problemini Anlama ve K-Means Modeli Oluşturma
- Modelin Değerlendirilmesi, K Değerinin Seçimi ve Yeni Gözlemlerin Kümesinin Tahmini
En yaygın gözetimli öğrenme yöntemlerinden olan Regresyon ile model geliştirilecek ve veri hazırlık süreci detaylı olarak ele alınacaktır. Regresyon model değerlendirme kütüphanesi kullanılarak başarı metrikleri elde edilecektir.
- Regresyon Problemi ve Veriyi Tanıma
- Veri Okuma
- Şema Kontrolü
- Şema Üzerinde Düzeltmeler
- Boş Değerlerle Uğraşma
- Veri Türlerine Göre Nitelikleri Gruplandırma
- Kategorik Nitelikleri Keşfetme
- Kategorik Nitelikleri İşlemede String Indexer ve OneHotEncoder Kullanımı
- Girdi Nitelikleri Bir Araya Toplama: VectorAssembler, Scaler ve Estimator
- ML Pipeline Oluşturma, Model Eğitim, Test ve Değerlendirmesi
Spark ML kütüphanesinde bulunan KMeans algoritması örnek bir veri seti üzerinde kullanarak kümeleme modeli geliştirilecektir. Kümeleme model değerlendirme kütüphanesi kullanılarak ideal küme sayısı bulunacaktır.
- Kümeleme Problemini Anlama ve K-Means Modeli Oluşturma
- Modelin Değerlendirilmesi, K Değerinin Seçimi ve Yeni Gözlemlerin Kümesinin Tahmini
Yetkinlik Edin
Spark Makine Öğrenmesi Öğren
Bugün Öğrenmeye Başla
1 yıl boyunca sınırsız erişim
$ 40 .00 /tek seferlik
- Tüm materyallere 1 yıl erişim
- Ders videoları & materyalleri
- Puanlanan quiz’ler
- Sertifika
Çeşitli ölçeklerdeki kurumlar ekipleri için Miuul'u kullanıyor.
Çalışanlarınıza özel teklif almak için Bize yazın
