Skalierung von Machine Learning mit Spark

Lerne, wie du mit Apache Spark skalierbare End-to-End-Lösungen für maschinelles Lernen erstellen kannst. In diesem praktischen Leitfaden stellt der Autor Adi Polak Daten- und ML-Praktikern kreative Lösungen vor, die über die heutigen traditionellen Methoden hinausgehen. Du lernst einen ganzheitlichen Ansatz kennen, der über spezifische Anforderungen und Unternehmensziele hinausgeht und es Daten- und ML-Praktikern ermöglicht, zusammenzuarbeiten und sich gegenseitig besser zu verstehen.

Scaling Machine Learning with Spark (Skalierung von maschinellem Lernen mit Spark) untersucht verschiedene Technologien für den Aufbau von verteilten End-to-End-ML-Workflows auf der Grundlage des Apache Spark-Ökosystems mit Spark MLlib, MLflow, TensorFlow und PyTorch. Wenn du als Datenwissenschaftler/in mit maschinellem Lernen arbeitest, zeigt dir dieses Buch, wann und warum du jede Technologie einsetzen solltest.

Du wirst:

• das maschinelle Lernen kennenlernen, einschließlich der Konzepte und der Terminologie des verteilten Rechnens
• den ML-Lebenszyklus mit MLflow verwalten
• Daten einlesen und grundlegende Vorverarbeitungen mit Spark durchführen
• Feature-Engineering kennenlernen und Spark zur Extraktion von Merkmalen nutzen
• Trainiere ein Modell mit MLlib und baue eine Pipeline, um es zu reproduzieren
• Baue ein Datensystem, um die Leistung von Spark mit Deep Learning zu kombinieren
• Erfahre Schritt für Schritt, wie du mit verteiltem TensorFlow arbeitest
• PyTorch zur Skalierung des maschinellen Lernens und seiner internen Architektur verwenden