Building Machine Learning Pipelines in PySpark MLlib

4.5
étoiles
14 évaluations
Offert par
Coursera Project Network
Dans ce projet guidé, vous :

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
IntermediateIntermédiaire
CloudAucun téléchargement requis
VideoVidéo en écran partagé
Comment DotsAnglais
LaptopOrdinateur de bureau uniquement

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.

Les compétences que vous développerez

Machine Learning Pipelineshyperparameter tuningPySparkCross Validation

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. 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

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 BUILDING MACHINE LEARNING PIPELINES IN PYSPARK MLLIB

Voir tous les avis

Foire Aux Questions

Foire Aux Questions

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