Building Machine Learning Pipelines in PySpark MLlib

4.3
звезд
Оценки: 44
от партнера
Coursera Project Network
2 375 уже зарегистрированы
В этом Проект с консультациями вы:

Learn how to create a Random Forest pipeline in PySpark

Learn how to choose best model parameters using Cross Validation and Hyperparameter tuning in PySpark

Learn how to create predictions and assess model's performance in PySpark

Clock1.5 hours
IntermediateУчащийся среднего уровня
CloudЗагрузка не требуется
VideoВидео на разделенном экране
Comment DotsАнглийский
LaptopТолько для ПК

By the end of this project, you will learn how to create machine learning pipelines using Python and Spark, free, open-source programs that you can download. You will learn how to load your dataset in Spark and learn how to perform basic cleaning techniques such as removing columns with high missing values and removing rows with missing values. You will then create a machine learning pipeline with a random forest regression model. You will use cross validation and parameter tuning to select the best model from the pipeline. Lastly, you will evaluate your model’s performance using various metrics. A pipeline in Spark combines multiple execution steps in the order of their execution. So rather than executing the steps individually, one can put them in a pipeline to streamline the machine learning process. You can save this pipeline, share it with your colleagues, and load it back again effortlessly. Note: You should have a Gmail account which you will use to sign into Google Colab. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Навыки, которые вы получите

  • Machine Learning Pipelines
  • hyperparameter tuning
  • PySpark
  • Cross Validation

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Install Spark on Google Colab and load a dataset in PySpark

  2. Describe and clean your dataset

  3. Create a Random Forest pipeline to predict car prices

  4. Create a cross validator for hyperparameter tuning

  5. Train your model and predict test set car prices

  6. Evaluate your model’s performance via several metrics

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Рецензии

Лучшие отзывы о курсе BUILDING MACHINE LEARNING PIPELINES IN PYSPARK MLLIB

Посмотреть все отзывы

Часто задаваемые вопросы

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.