Skalowalna analiza szeregów czasowych za pomocą Spark

Zarządzanie ogromnymi ilościami danych ze znacznikami czasowymi wymaga narzędzi, które mogą być skalowane poza pojedynczą maszynę. Spark zapewnia moc przetwarzania równoległego niezbędną do efektywnego analizowania, czyszczenia i modelowania szybkich zbiorów danych czasowych. Ten kurs tekstowy prowadzi od podstawowych pojęć danych szeregów czasowych do budowania rozproszonych potoków prognozowania. Zdobędziesz umiejętności manipulowania znacznikami czasu, obsługi brakujących wartości czasowych i stosowania modeli uczenia maszynowego do danych na dużą skalę za pomocą Spark SQL i PySpark. Co się nauczysz: Zrozum podstawowe cechy danych szeregów czasowych, w tym trend, sezonowość i szum; Manipuluj danymi czasowymi za pomocą Spark SQL i nowoczesnych operacji PySpark DataFrame; Obsługuj typowe wyzwania związane z czyszczeniem danych, takie jak brakujące przedziały, ponowne próbkowanie i wyrównania stref czasowych w skali; Zastosuj funkcje okna do obliczania Twórz skalowalne modele prognozowania za pomocą Spark MLlib i integruj nowoczesne wzorce bibliotek; Konfiguruj zadania Spark w celu uzyskania optymalnej wydajności podczas przetwarzania dużych zestawów danych historycznych przechowywanych w nowoczesnych formatach, takich jak Delta Lake. Kurs zaczyna się od podstawowych definicji pojęć szeregów czasowych przed przejściem do strukturalnych wzorców kodu PySpark. Przejdziesz od podstawowych zapytań do zaawansowanych operacji okien i rozproszonych przepływów pracy uczenia maszynowego. Ten program jest przeznaczony dla analityków danych, programistów i aspirujących naukowców, którzy są nowi w rozproszonych obliczeniach i chcą nauczyć się skalowalnych technik szeregów czasowych bez złożonych warunków wstępnych. Zacznij czytać, aby opanować skalowalne przetwarzanie danych czasowych już dziś.