Passez au niveau supérieur en matière d'apprentissage automatique avec PySpark en apprenant à appliquer et à évaluer des modèles prédictifs pour l'analyse de données à grande échelle. Ce cours de niveau intermédiaire s'adresse aux apprenants possédant des connaissances en Python et des bases en apprentissage automatique, qui souhaitent créer, évaluer et interpréter des modèles d'apprentissage automatique à l'aide d'Apache PySpark et de MLlib.

Vous commencerez par construire des modèles de régression linéaire avant de passer à la régression linéaire généralisée, à la régression par forêt aléatoire et à la régression logistique pour la classification binaire. Vous explorerez ensuite la régression logistique multinomiale, les classificateurs par arbre de décision, la classification par forêt aléatoire et le clustering par la méthode des K-moyennes pour l’apprentissage non supervisé. Tout au long de la formation, vous consoliderez chaque concept grâce à des démonstrations de code PySpark guidées, des workflows prédictifs, des techniques d’évaluation de modèles et des analyses pratiques sur de grands ensembles de données. À l’issue de ce cours, vous serez capable de concevoir, d’exécuter et d’évaluer des modèles de régression, de classification et de regroupement par clusters dans PySpark, tout en interprétant les performances des modèles à l’aide de méthodes d’évaluation appropriées. Si vous souhaitez renforcer votre capacité à créer des workflows d’apprentissage automatique évolutifs dans des environnements distribués, ce cours vous offre une expérience pratique des techniques de modélisation prédictive largement utilisées dans PySpark.