François Chung, Ph.D.

Tag: ciència de dades

Google Cloud: big data i aprenentatge automàtic

Google Cloud: big data i aprenentatge automàtic

|

Formació Coursera, MOOC (2020). Aquesta formació en línia presenta les capacitats de big data i aprenentatge automàtic (ML) de Google Cloud Platform (CGP). Mitjançant una combinació de presentacions, demostracions i laboratoris pràctics, la formació ofereix una descripció general de Google Cloud i una vista detallada de les solucions de processament de dades i de ML, com BigQuery, Cloud SQL, Dataproc, Pub/Sub, Dataflow i Data Studio.

Setmana 1: Big data i fonaments de ML

Temes principals:

  • Explorar un conjunt de dades públiques BigQuery;
  • Triar l'enfocament de solució adequat;
  • Recomanar productes amb Cloud SQL i Spark;
  • Predir les compres de clients amb BigQuery ML.

Setmana 2: Desafiaments de la canalització de dades moderna

Temes principals:

  • Panells de control IoT en temps real;
  • Crear una canalització de dades de transmissió;
  • ML en conjunts de dades no estructurats;
  • Classificació d'imatges amb models ML predissenyats.

Referències

Fonaments de Spark

Fonaments de Spark

|

Formació Cognitive Class, MOOC (2020). Aquesta ruta d'aprenentatge aborda els fonaments d'Apache Spark, un motor de codi obert per al processament de dades a gran escala que està revolucionant el món de l'analítica i del big data. Aquesta formació és una oportunitat per aprendre dels líders de la indústria sobre Spark, que es basa en la velocitat, la facilitat d'ús i l'anàlisi, i brinda oportunitats i projectes pràctics per generar confiança amb el conjunt d'eines de Spark.

Curs 1: Fonaments de Spark I

Temes principals:

  • Introducció a Spark;
  • Resilient Distributed Dataset (RDD) i DataFrames;
  • Programació d'aplicacions Spark;
  • Introducció a les biblioteques de Spark;
  • Configuració, seguiment i posada a punt de Spark.

Curs 2: Fonaments de Spark II

Temes principals:

  • Introducció als notebooks;
  • Arquitectura RDD;
  • Optimització de transformacions i accions;
  • Memòria cau i serialització;
  • Desenvolupament i proves.

Curs 3: Spark MLlib

Temes principals:

  • Tipus de dades Spark MLlib;
  • Revisió d'algoritmes;
  • Arbres de decisió i boscos aleatoris;
  • Agrupament Spark MLlib.

Curs 4: Exploració de GraphX

Temes principals:

  • Introducció a Graph-Parallel;
  • Exploració dels operadors de gràfics;
  • Visualització i modificació de GraphX;
  • Agregació i emmagatzematge en memòria cau.

Curs 5: Big data en R amb Spark

Temes principals:

  • Introducció a SparkR;
  • Manipulació de dades amb SparkR;
  • Aprenentatge automàtic amb SparkR.

Referències

Formació

Spark fundamentals I (Fonaments de Spark I, certificat del curs)
Spark – Level 1 (insígnia de certificació)
Spark fundamentals II (Fonaments de Spark II, certificat del curs)
Spark MLlib (certificat del curs)
Exploring GraphX (Exploració de GraphX, certificat del curs)
Big data in R using Spark (Big data en R amb Spark, certificat del curs)
Spark - Level 2 (insígnia de certificació)

Articles relacionats

Fonaments de Hadoop (formació Cognitive Class)
Especialització en ciència de dades (formació Coursera)

Més informació

Cognitive Class

Fonaments de Hadoop

Fonaments de Hadoop

|

Formació Cognitive Class, MOOC (2020). Aquesta ruta d'aprenentatge presenta Hadoop, que és un marc de codi obert per a l'emmagatzematge distribuït i el processament de big data. La formació cobreix contingut que és fonamental per a l'èxit de qualsevol persona en aquest àmbit, explicant el disseny conceptual d’Hadoop, introduint MapReduce, YARN (Yet Another Resource Negotiator) i Hive, i després explicant com utilitzar Hadoop i manipular dades sense l’ús de codificació complexa.

Curs 1: Hadoop 101

Temes principals:

  • Introducció a Hadoop;
  • Arquitectura de Hadoop i HDFS;
  • Administració de Hadoop;
  • Components de Hadoop.

Curs 2: MapReduce i YARN

Temes principals:

  • Introducció a MapReduce i YARN;
  • Limitacions de Hadoop v1 i MapReduce v1;
  • Arquitectura de YARN.

Curs 3: Moviment de dades en Hadoop

Temes principals:

  • Escenaris de càrrega;
  • Ús de Sqoop;
  • Descripció general de Flume;
  • Ús de Data Click.

Curs 4: Accés a dades de Hadoop usant Hive

Temes principals:

  • Introducció a Hive;
  • Hive DDL - Llenguatge de definició de dades;
  • Hive DML - Llenguatge de manipulació de dades;
  • Operadors i funcions de Hive.

Referències

Formació

Hadoop 101 (certificat del curs)
Hadoop Foundations – Level 1 (insígnia de certificació)
MapReduce and YARN (MapReduce i YARN, certificat del curs)
Hadoop Programming – Level 1 (insígnia de certificació)
Moving data into Hadoop (Moviment de dades en Hadoop, certificat del curs)
Hadoop Administration – Level 1 (insígnia de certificació)
Accessing Hadoop data using Hive (Accés a dades de Hadoop usant Hive, certificat del curs)
Hadoop Data Access – Level 1 (insígnia de certificació)
Hadoop Foundations – Level 2 (insígnia de certificació)

Articles relacionats

Fonaments de Spark (formació Cognitive Class)
Especialització en ciència de dades (formació Coursera)

Més informació

Cognitive Class

Azure: fonaments, aprenentatge automàtic i Power BI

Azure: fonaments, aprenentatge automàtic i Power BI

|

Formació Microsoft Docs, MOOC (2020). Aquests 3 cursos en línia presenten Microsoft Azure i Power BI. La formació ensenya els conceptes bàsics del núvol, juntament amb exercicis pràctics, i ofereix una descripció general dels serveis d'Azure, com Azure Machine Learning (ML), que és una plataforma en el núvol per entrenar, desplegar, gestionar i monitoritzar models ML. A més, la formació explica com utilitzar Power BI i crear informes d'intel·ligència empresarial.

Curs 1: Fonaments d’Azure

Temes principals:

  • Principis de la computació en el núvol;
  • Arquitectura d’Azure i garanties de servei;
  • Computació, emmagatzematge de dades i xarxes;
  • Seguretat, responsabilitat i confiança;
  • Estàndards d'infraestructura amb Azure Policy;
  • Recursos d'Azure amb Azure Resource Manager.

Curs 2: Aprenentatge automàtic d’Azure

Temes principals:

  • Treballar amb dades;
  • Orquestrar ML amb pipelines;
  • Implementar models ML;
  • Automatitzar la selecció del model;
  • Afinar els hiperparàmetres;
  • Monitoritzar models i la deriva de dades.

Curs 3: Power BI

Temes principals:

  • Començar a crear amb Power BI;
  • Obtenir dades amb Power BI Desktop;
  • Modelar i explorar dades;
  • Utilitzar elements visuals, publicar i compartir.

Referències

Formació

Microsoft Docs (insígnies i trofeus)

Articles relacionats

Google Cloud: big data i aprenentatge automàtic (formació Coursera)
AWS: fonaments i aprenentatge automàtic (formació AWS)
Xarxes neuronals i aprenentatge profund (formació Coursera)

Més informació

Microsoft Docs (Fonaments d’Azure)
Microsoft Docs (Aprenentatge automàtic d’Azure)
Microsoft Docs (Power BI)

Especialització en ciència de dades

Especialització en ciència de dades

|

Formació Coursera, MOOC (2020). Aquesta especialització cobreix els conceptes i eines necessaris per a la ciència de dades, des de formular les preguntes correctes fins a fer inferències i publicar resultats. Els temes coberts inclouen l'ús de R per netejar, analitzar i visualitzar dades, utilitzar GitHub per administrar projectes de ciència de dades i realitzar anàlisis de regressió, mínims quadrats i inferència utilitzant models de regressió.

Curs 1: Caixa d'eines del científic de dades

Temes principals:

  • Fonaments de la ciència de dades;
  • R i Rstudio;
  • Control de versions i GitHub;
  • R Markdown, pensament científic i big data.

Curs 2: Programació R

Temes principals:

  • Antecedents i posada en marxa;
  • Programació amb R;
  • Funcions de bucle i depuració;
  • Simulació i anàlisi de rendiment de programari.

Curs 3: Obtenció i neteja de dades

Temes principals:

  • Trobar dades i llegir diferents tipus d'arxius;
  • Sistemes d'emmagatzematge de dades;
  • Organitzar, fusionar i gestionar dades;
  • Manipulació de text i dades en R.

Curs 4: Anàlisi exploratòria de dades

Temes principals:

  • Gràfics analítics i representació gràfica en R;
  • Lattice i ggplot2;
  • Reducció de dimensionalitat de dades;
  • Tècniques d'anàlisi de conglomerats.

Curs 5: Investigació reproduïble

Temes principals:

  • Conceptes, idees i estructura;
  • Markdown i knitr;
  • Llista de comprovació de la investigació reproduïble;
  • Anàlisi de dades basades en evidències.

Curs 6: Inferència estadística

Temes principals:

  • Probabilitat i valors esperats;
  • Variabilitat, distribució i asímptota;
  • Intervals, proves i valor p;
  • Proves de potència, bootstrapping i permutació.

Curs 7: Models de regressió

Temes principals:

  • Mínims quadrats i regressió lineal;
  • Regressió lineal i multivariant;
  • Residus i diagnòstics;
  • Regressió logística i de Poisson.

Curs 8: Aprenentatge automàtic

Temes principals:

  • Predicció, errors i validació creuada;
  • Paquet caret;
  • Arbres de decisió i boscos aleatoris;
  • Regressió regularitzada i predictors combinats.

Curs 9: Desenvolupament de productes de dades

Temes principals:

  • Shiny, GoogleVis i Plotly;
  • R Markdown i Leaflet;
  • Paquets R i Swirl.

Referències

Articles relacionats

Fonaments de Spark (formació Cognitive Class)
Fonaments de Hadoop (formació Cognitive Class)
AWS: fonaments i aprenentatge automàtic (formació AWS)

Més informació

Coursera

Idiomes

Articles recents

Categories

Notícies

Recent (Twitter) & Popular (Reddit)

Cerca