Full-Stack Big Data Scientist |Machine Learning A-Z™ Pyspark

[LeeAndro]

Ultima actualizacion: 2/2022MP4 | Video: h264, 1280x720 | Audio: AAC, 44.1 KHzLanguage: Espanol | Size: 2.41 GB | Duration: 5h 19m

Curso completo para Machine Learning y Data Science para Big Data con Python y PySpark +Laboratorios +Codigo descargable

What you'll learn
Introduccion a big data y fundamentos de Apache Spark
Fundamentos de Machine Learning con PySpark
Machine Learning avanzado con PySpark
Ingenieria y preprocesamiento de datos: PCA, LDA, etc.​

Modelos de aprendizaje automatico de Spark ML
Seleccion y optimizacion del modelo: validacion cruzada de k-fold, ajuste de hiperparametros, etc.
Clasificacion en Spark ML: Regresion logistica, K-NN, SVM, Naive Bayes, Decision trees, Random Forest, XGBoost
Regresion en Spark ML: Linear Regression, Polynomial Regression, Decision Tree Regression, Random Forest Regression, etc
Clustering en Spark ML: K-Means, Hierarchical Clustering
MLOps con MLFlow
Machine Learning en el cloud con Databricks
Requirements
No
Description
¿Estas buscando un curso practico, completo y avanzado de Ciencia de Datos y Machine Learning ¡Entonces este curso es para ti!Este curso esta disenado por Data Scientist profesionales para aprender todo lo relacionado con el Machine Learning y Data Science con Python, PySpark y Databricks. Aprenderas paso a paso modelos de aprendizaje automatico de clasificacion, regresion, clustering, NLP, Pipelines y tecnicas para la ingenieria de datos. Tambien te ensenaremos a programar en PySpark y las buenas practicas para trabajar con Big Data, visualizacion de datos o analitica avanzada. Finalmente, aprenderas las ultimas tecnologias que han peido impulsar el Machine learning con Spark como MLFlow, Databricks, Spark ML o Spark Koalas.Este curso es para cientificos de datos o aspirantes a cientificos de datos que desean obtener capacitacion practica, con las ultimas tecnologias de Big Data y aplicable al mundo real.Ademas, el curso esta repleto de ejercicios practicos basados en ejemplos de la vida real. Por ello, no solo aprenderas la teoria, sino que tambien aprenderas a aplicarla de manera practica en proyectos reales.Y como beneficio adicional, este curso incluye plantillas de codigo (Notebooks) que puedes descargar y usar en tus propios proyectos. Con la formacion teorica, las guias de estudio descargables, los ejercicios practicos y los casos de uso reales, este es el unico curso que necesitaras para aprender Machine Learning con PySparkEste curso desarrolla los siguientes apartados:Introduccion a big data y fundamentos de PySparkInstalacion de Apache Spark y librerias accesorias como Anaconda, Java, etcSpark DataframesFundamentos de Machine Learning con PySparkMachine Learning avanzado con PySparkIngenieria y preprocesamiento de datos: PCA, LDA, etc.Modelos de aprendizaje automatico de Spark MLSeleccion y optimizacion del modelo: validacion cruzada de k-fold, ajuste de hiperparametros, etc.Clasificacion en Spark ML: Regresion logistica, K-NN, SVM, Naive Bayes, Decision trees, Random Forest, XGBoostRegresion en Spark ML: Linear Regression, Polynomial Regression, Decision Tree Regression, Random Forest Regression, etcClustering en Spark ML: K-Means, Hierarchical ClusteringSpark Streaming y predicciones en tiempo realMLOps con MlFlowMachine Learning en el cloud con DatabricksSi esta listo para mejorar tus habilidades, aumentar tus oportunidades laborales y convertirte en un experto de Big Data Science, unete hoy y obten acceso inmediato y de por vida a lo siguiente: Guia completa de Machine learning (e-book en PDF) Notebooks y codigos descargables Ejercicios practicos y cuestionarios Recursos de Spark ML como: Cheatsheets y resumenes Soporte experto 1 a 1 Foro de preguntas y respuestas del curso 30 dias de garantia de devolucion de dinero¡Nos vemos alli!

Overview

Section 1: Introduccion

Lecture 1 Introduccion

Lecture 2 Como se ejecuta Apache Spark

Lecture 3 Ecosistema de Apache Spark y documentacion oficial

Lecture 4 Funcionamiento, administracion de clusteres y arquitectura de Spark

Section 2: Instalacion de Spark y herramientas de Machine Learning

Lecture 5 Descarga de Spark, Anaconda y Java

Lecture 6 Configuracion de las variables de entorno

Lecture 7 Ejecucion de Spark en el Prompt y Jupyter notebooks

Section 3: Spark DataFrames y Apache Spark SQL

Lecture 8 Material y codigo

Lecture 9 Fundamentos y ventajas de los DataFrames

Lecture 10 Caracteristicas de los DataFrames y fuentes de datos

Lecture 11 Crear un DataFrame en PySpark

Lecture 12 Operaciones con DataFrames en PySpark

Lecture 13 Diferentes tipos de joins en DataFrames

Lecture 14 Consultas SQL en PySpark

Lecture 15 Funciones avanzadas para cargar y exportar datos en PySpark

Lecture 16 Ejercicio Practico: Spark DataFrames y Apache Spark SQL

Lecture 17 Solucion Ejercicio practico

Section 4: Machine Learning con PySpark

Lecture 18 Material y codigo

Lecture 19 Fundamentos de Machine Learning con PySpark

Lecture 20 Componentes de PySpark Machine Learning

Lecture 21 Etapas del desarrollo de un modelo de Machine Learning

Lecture 22 Importacion y analisis exploratorio de los datos

Lecture 23 Preprocesamiento de los datos con PySpark

Lecture 24 Entrenamiento del modelo de machine learning en PySpark

Lecture 25 Evaluacion del modelo de Machine Learning

Section 5: Ejercicio practico de Machine Learning

Lecture 26 Ejercicio practico Machine Learning con Spark parte I

Lecture 27 Solucion al ejercicio practico parte I

Lecture 28 Ejercicio practico 2 Machine Learning con Spark

Lecture 29 Solucion Ejercicio practico 2

Lecture 30 Ejercicio practico 3 Machine Learning con Spark

Lecture 31 Solucion Ejercicio practico 3

Section 6: Ingenieria de caracteristicas

Lecture 32 Fundamentos de Ingenieria de caracteristicas con Spark

Lecture 33 Normalizacion de variables con Spark

Lecture 34 Variables categoricas Stridexer y OneHotEncoder

Lecture 35 Variables categoricas VectorIndexer e IndexToString

Lecture 36 Imputacion de variables faltantes

Lecture 37 Seleccion de variables con Variance ThresholdSelector y UnivariateFeat

Lecture 38 Reduccion de la Dimensionalidad

Section 7: Modelos de clasificacion con Spark Machine Learning

Lecture 39 Regresion logistica

Lecture 40 Arboles de decision

Lecture 41 Random Forest

Lecture 42 Gradient Boosting Tree

Lecture 43 Clasificador de Perceptron multicapa

Lecture 44 Factorization machines regressor

Lecture 45 Clasificacion multiclase con One vs Rest Classifier

Lecture 46 Naive Bayes

Section 8: Modelos de Regresion con Spark Machine Learning

Lecture 47 Regresion lineal y Regresion lineal Generalizada

Lecture 48 Decision Tree Regressor y Random Forest Regressor

Lecture 49 Gradient-boosted Tree Regressor

Lecture 50 Analisis de supervivencia con Survival Regressor

Lecture 51 Factorization machines regressor

Section 9: Machine Learning Avanzado con PySpark

Lecture 52 Analisis exploratorio de los datos

Lecture 53 Preprocesamiento avanzado y Pipelines

Lecture 54 Entrenamiento simultaneo y comparativa de multiples modelos

Lecture 55 Optimizacion con ajuste de hiperparametros y validacion cruzada

Section 10: Introduccion a Databricks

Lecture 56 Introduccion a Databricks

Lecture 57 Teologia de Databricks y Databricks Community

Lecture 58 Crear una cuenta gratuita de Databricks

Section 11: Plataforma de Databricks y fundamentos de Spark en Databricks

Lecture 59 Introduccion al entorno de Databricks

Lecture 60 Pros pasos con Databricks

Lecture 61 Creacion y guardado de DataFrames en Databricks

Lecture 62 Transformacion y visualizacion de datos en Databricks

Lecture 63 Caso practico Analitica de datos Poblacionales

Section 12: Machine Learning en Databricks

Lecture 64 Importacion y analisis exploratorio de los datos

Lecture 65 Preprocesamiento de variables con PySpark y Databricks

Lecture 66 Definicion del modelo de Machine Learning y desarrollo del Pipeline

Lecture 67 Evaluacion del modelo con PySpark y Databricks

Lecture 68 Ajuste de hiperparametros y registro en MLFlow

Lecture 69 Predicciones con nuevos datos y visualizacion de los resultados

Cualquier Data Scientist que quiera subir de nivel a Big Data Science,Cualquier persona interesada en Machine Learning,Desarrolladores de PySpark que buscan fortalecer sus habilidades de Machine Learning y ciencia de datos,Cualquier cientifico de datos que quiera aprender a aplicar modelos de Machine Learning sobre un gran volumen de datos (Big Data),Cualquiera que quiera aprender habilidades avanzadas de Big Data,Cualquiera que conozca Python y quiera avanzar en un procesamiento de datos mas rapido

HomePage:

Https://anonymz.com/https://www.udemy.com/course/full-stack-big-data-scientist-machine-learning-a-ztm-pyspark/

DOWNLOAD

https://1dl.net/uc0futknkbly/hTZHCd6A__FullStack_.part1.rar.html
https://1dl.net/fett6oyau4qh/hTZHCd6A__FullStack_.part2.rar.html
https://1dl.net/5q744t4rbwry/hTZHCd6A__FullStack_.part3.rar.html