Graduate Admission Prediction with Pyspark ML

4.7
étoiles
17 évaluations
Offert par
Coursera Project Network
Dans ce Projet Guidé, vous :

Learn to build the Linear Regression Model using Pyspark ML to predict admission

Learn to setup Pyspark and work with Pyspark dataframes in Colab Environment

Learn to clean and prepare data for analysis.

Clock1.5 hours
IntermediateIntermédiaire
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsAnglais
LaptopOrdinateur de bureau uniquement

In this 1 hour long project-based course, you will learn to build a linear regression model using Pyspark ML to predict students' admission at the university. We will use the graduate admission 2 data set from Kaggle. Our goal is to use a Simple Linear Regression Machine Learning Algorithm from the Pyspark Machine learning library to predict the chances of getting admission. We will be carrying out the entire project on the Google Colab environment with the installation of Pyspark. You will need a free Gmail account to complete this project. Please be aware of the fact that the dataset and the model in this project, can not be used in the real-life. We are only using this data for the learning purposes. By the end of this project, you will be able to build the linear regression model using Pyspark ML to predict admission chances.You will also be able to setup and work with Pyspark on the Google Colab environment. Additionally, you will also be able to clean and prepare data for analysis. You should be familiar with the Python Programming language and you should have a theoretical understanding of Linear Regression algorithm. 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.

Les compétences que vous développerez

  • Machine Learning
  • Data Analysis
  • Big Data
  • Linear Regression
  • PySpark

Apprendrez étape par étape

Votre enseignant(e) vous guidera étape par étape, grâce à une vidéo en écran partagé sur votre espace de travail :

  1. Introduction and Installing Dependencies

  2. Clone and Explore the Dataset

  3. Data Cleaning

  4. Correlation analysis and Feature Selection

  5. Build the Linear Regression Model

  6. Evaluate and Test the model

Comment fonctionnent les Projets Guidés

Votre espace de travail est un bureau cloud situé dans votre navigateur, aucun téléchargement n'est requis.

Votre enseignant(e) vous guide étape par étape dans une vidéo en écran partagé

Avis

Meilleurs avis pour GRADUATE ADMISSION PREDICTION WITH PYSPARK ML

Voir tous les avis

Foire Aux Questions

Foire Aux Questions

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.