Skalierung von Python mit Dask

Kapitel 11. Maschinelles Lernen mit Dask

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Jetzt, wo du die vielen verschiedenen Datentypen, Berechnungsmuster, Einsatzoptionen und Bibliotheken von Dask kennst, können wir uns dem maschinellen Lernen zuwenden. Du wirst schnell feststellen, dass ML mit Dask recht intuitiv zu bedienen ist, da es in der gleichen Python-Umgebung läuft wie die vielen anderen beliebten ML-Bibliotheken. Ein Großteil der Arbeit wird von den eingebauten Datentypen und den verteilten Zeitplannungsprogrammen von Dask übernommen, sodass das Schreiben von Code zu einer angenehmen Erfahrung für den Benutzer wird.¹

In diesem Kapitel wird hauptsächlich die Dask-ML-Bibliothek verwendet, eine robuste ML-Bibliothek des Open-Source-Projekts Dask. Wir werden aber auch andere Bibliotheken wie XGBoost und scikit-learn vorstellen. Die Dask-ML-Bibliothek ist so konzipiert, dass sie sowohl in Clustern als auch lokal ausgeführt werden kann.² Dask-ML bietet vertraute Schnittstellen, indem sie viele gängige ML-Bibliotheken erweitert. ML unterscheidet sich von vielen der bisher besprochenen Aufgaben, da es das Framework (hier Dask-ML) erfordert, die Arbeit enger zu koordinieren. In diesem Kapitel zeigen wir dir einige Möglichkeiten, wie du sie in deinen eigenen Programmen einsetzen kannst, und geben dir Tipps.

Da ML eine so breite und vielfältige Disziplin ist, können wir nur einige der Situationen ...