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

What you'll learn
Introducción a big data y fundamentos de Apache Spark
Fundamentos de Machine Learning con PySpark
Machine Learning avanzado con PySpark
Ingeniería y preprocesamiento de datos: PCA, LDA, etc.
Modelos de aprendizaje automático de Spark ML
Selección y optimización del modelo: validación cruzada de k-fold, ajuste de hiperparámetros, etc.
Clasificación en Spark ML: Regresión logística, K-NN, SVM, Naive Bayes, Decision trees, Random Forest, XGBoost
Regresión 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
¿Estás buscando un curso práctico, completo y avanzado de Ciencia de Datos y Machine Learning? ¡Entonces este curso es para ti!Este curso está diseñado por Data Scientist profesionales para aprender todo lo relacionado con el Machine Learning y Data Science con Python, PySpark y Databricks. Aprenderás paso a paso modelos de aprendizaje automático de clasificación, regresión, clustering, NLP, Pipelines y técnicas para la ingeniería de datos. También te enseñaremos a programar en PySpark y las buenas prácticas para trabajar con Big Data, visualización de datos o analítica avanzada. Finalmente, aprenderás las últimas técnologias que han permitido impulsar el Machine learning con Spark como MLFlow, Databricks, Spark ML o Spark Koalas.Este curso es para científicos de datos o aspirantes a científicos de datos que desean obtener capacitación práctica, con las últimas tecnologías de Big Data y aplicable al mundo real.Además, el curso está repleto de ejercicios prácticos basados ​​en ejemplos de la vida real. Por ello, no solo aprenderás la teoría, sino que también aprenderás a aplicarla de manera práctica en proyectos reales.Y como beneficio adicional, este curso incluye plantillas de código (Notebooks) que puedes descargar y usar en tus propios proyectos. Con la formación teórica, las guías de estudio descargables, los ejercicios prácticos y los casos de uso reales, este es el único curso que necesitarás para aprender Machine Learning con PySparkEste curso desarrolla los siguientes apartados:Introducción a big data y fundamentos de PySparkInstalación de Apache Spark y librerías accesorias como Anaconda, Java, etcSpark DataframesFundamentos de Machine Learning con PySparkMachine Learning avanzado con PySparkIngeniería y preprocesamiento de datos: PCA, LDA, etc.Modelos de aprendizaje automático de Spark MLSelección y optimización del modelo: validación cruzada de k-fold, ajuste de hiperparámetros, etc.Clasificación en Spark ML: Regresión logística, K-NN, SVM, Naive Bayes, Decision trees, Random Forest, XGBoostRegresión 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 está listo para mejorar tus habilidades, aumentar tus oportunidades laborales y convertirte en un experto de Big Data Science, únete hoy y obtén acceso inmediato y de por vida a lo siguiente:• Guía completa de Machine learning (e-book en PDF)• Notebooks y códigos descargables• Ejercicios prácticos y cuestionarios• Recursos de Spark ML como: Cheatsheets y resúmenes• Soporte experto 1 a 1• Foro de preguntas y respuestas del curso• 30 días de garantía de devolución de dinero¡Nos vemos allí!

Overview
Section 1: Introducción
Lecture 1 Introducción
Lecture 2 Cómo se ejecuta Apache Spark
Lecture 3 Ecosistema de Apache Spark y documentación oficial
Lecture 4 Funcionamiento, administración de clústeres y arquitectura de Spark
Section 2: Instalación de Spark y herramientas de Machine Learning
Lecture 5 Descarga de Spark, Anaconda y Java
Lecture 6 Configuración de las variables de entorno
Lecture 7 Ejecución de Spark en el Prompt y Jupyter notebooks
Section 3: Spark DataFrames y Apache Spark SQL
Lecture 8 Material y código
Lecture 9 Fundamentos y ventajas de los DataFrames
Lecture 10 Características 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 Práctico: Spark DataFrames y Apache Spark SQL
Lecture 17 Solución Ejercicio práctico
Section 4: Machine Learning con PySpark
Lecture 18 Material y código
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 Importación y análisis exploratorio de los datos
Lecture 23 Preprocesamiento de los datos con PySpark
Lecture 24 Entrenamiento del modelo de machine learning en PySpark
Lecture 25 Evaluación del modelo de Machine Learning
Section 5: Ejercicio práctico de Machine Learning
Lecture 26 Ejercicio práctico Machine Learning con Spark parte I
Lecture 27 Solución al ejercicio práctico parte I
Lecture 28 Ejercicio práctico 2 Machine Learning con Spark
Lecture 29 Solución Ejercicio práctico 2
Lecture 30 Ejercicio práctico 3 Machine Learning con Spark
Lecture 31 Solución Ejercicio práctico 3
Section 6: Ingeniería de características
Lecture 32 Fundamentos de Ingeniería de características con Spark
Lecture 33 Normalización de variables con Spark
Lecture 34 Variables categóricas StringIndexer y OneHotEncoder
Lecture 35 Variables categóricas VectorIndexer e IndexToString
Lecture 36 Imputación de variables faltantes
Lecture 37 Selección de variables con Variance ThresholdSelector y UnivariateFeat
Lecture 38 Reducción de la Dimensionalidad
Section 7: Modelos de clasificación con Spark Machine Learning
Lecture 39 Regresión logística
Lecture 40 Arboles de decisión
Lecture 41 Random Forest
Lecture 42 Gradient Boosting Tree
Lecture 43 Clasificador de Perceptrón multicapa
Lecture 44 Factorization machines regressor
Lecture 45 Clasificación multiclase con One vs Rest Classifier
Lecture 46 Naive Bayes
Section 8: Modelos de Regresión con Spark Machine Learning
Lecture 47 Regresión lineal y Regresión lineal Generalizada
Lecture 48 Decision Tree Regressor y Random Forest Regressor
Lecture 49 Gradient-boosted Tree Regressor
Lecture 50 Análisis 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 múltiples modelos
Lecture 55 Optimización con ajuste de hiperparametros y validación cruzada
Section 10: Introducción a Databricks
Lecture 56 Introducción a Databricks
Lecture 57 Terminología 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 Introducción al entorno de Databricks
Lecture 60 Primeros pasos con Databricks
Lecture 61 Creación y guardado de DataFrames en Databricks
Lecture 62 Transformación y visualización de datos en Databricks
Lecture 63 Caso práctico Analítica de datos Poblacionales
Section 12: Machine Learning en Databricks
Lecture 64 Importación y análisis exploratorio de los datos
Lecture 65 Preprocesamiento de variables con PySpark y Databricks
Lecture 66 Definición del modelo de Machine Learning y desarrollo del Pipeline
Lecture 67 Evaluación del modelo con PySpark y Databricks
Lecture 68 Ajuste de hiperparametros y registro en MLFlow
Lecture 69 Predicciones con nuevos datos y visualización 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 científico 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 más rápido

Homepage

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

To Support My Work Buy Premium From My Links.