Analisis Deret Waktu yang Dapat Diskalasi dengan Spark

Mengurus volume besar data yang memiliki stempel waktu memerlukan alat yang dapat di-scale lebih dari satu mesin. Spark menyediakan kekuatan pemrosesan paralel yang diperlukan untuk menganalisis, membersihkan, dan memodelkan set data temporal kecepatan tinggi secara efisien. Kursus berbasis teks ini memandu Anda dari konsep dasar data deret waktu untuk membangun pipa prediksi terdistribusi. Anda akan mendapatkan keterampilan untuk memanipulasi timestamps, menangani nilai temporal yang hilang, dan menerapkan model pembelajaran mesin ke data skala besar menggunakan Spark SQL dan PySpark. Apa yang Anda pelajari: Mengerti karakteristik inti data deret waktu, termasuk tren, musim, dan noise; Manipulasi data temporal menggunakan Spark SQL dan operasi PySpark DataFrame modern; Tangani tantangan pembersihan data umum seperti interval yang hilang, sampling ulang, dan penyesuaian zona waktu pada skala; Terapkan fungsi jendela untuk menghitung Membangun model prediksi skalabel menggunakan Spark MLlib dan mengintegrasikan pola perpustakaan modern; Mengonfigurasi pekerjaan Spark untuk kinerja optimal saat memproses dataset sejarah skala besar yang disimpan dalam format modern seperti Delta Lake. Kursus ini dimulai dengan definisi dasar konsep deret waktu sebelum beralih ke pola kode PySpark yang terstruktur. Anda akan berkembang dari query dasar ke operasi jendela canggih dan aliran kerja pembelajaran mesin terdistribusi. Program ini dirancang untuk analis data, pengembang, dan ilmuwan data bercita-cita yang baru untuk komputasi terdistribusi dan ingin belajar teknik deret waktu yang dapat disesuaikan tanpa prasyarat yang kompleks. Mulai membaca untuk menguasainya pengolahan data temporal skalabel hari ini.