Skalierbare Zeitreihenanalyse mit Spark

Die Verwaltung großer Datenmengen mit Zeitstempel erfordert Tools, die über eine einzelne Maschine hinaus skaliert werden können. Spark bietet die parallele Verarbeitungsleistung, die für die effiziente Analyse, Bereinigung und Modellierung von schnellen zeitlichen Datensätzen erforderlich ist. Dieser textbasierte Kurs führt Sie von den grundlegenden Konzepten von Zeitreihendaten zum Aufbau verteilter Prognosepipelines. Sie erwerben die Fähigkeiten, Zeitstempel zu manipulieren, fehlende zeitliche Werte zu verarbeiten und maschinelle Lernmodelle mit Spark SQL und PySpark auf umfangreiche Daten anzuwenden. Was Sie lernen: Verstehen Sie die Kerneigenschaften von Zeitreihendaten, einschließlich Trend, Saisonalität und Rauschen; Manipulieren Sie zeitliche Daten mit Spark SQL und modernen PySpark DataFrame-Operationen; Bewältigen Sie häufige Herausforderungen bei der Datenbereinigung wie fehlende Intervalle, Resampling und Zeitzonenausrichtungen im Maßstab; Wenden Sie Fensterfunktionen an, um Erstellen Sie skalierbare Prognosemodelle mit Spark MLlib und integrieren Sie moderne Bibliotheksmuster. Konfigurieren Sie Spark-Jobs für eine optimale Leistung bei der Verarbeitung großer historischer Datensätze, die in modernen Formaten wie Delta Lake gespeichert sind. Der Kurs beginnt mit grundlegenden Definitionen von Zeitreihenkonzepten, bevor er sich strukturierten PySpark-Codemustern widmet. Sie entwickeln sich von der grundlegenden Abfrage zu erweiterten Fensteroperationen und verteilten Workflows für maschinelles Lernen. Dieses Programm richtet sich an Datenanalysten, Entwickler und angehende Datenwissenschaftler, die neu im Bereich des verteilten Rechnens sind und skalierbare Zeitreihentechniken ohne komplexe Voraussetzungen erlernen möchten. Lesen Sie weiter, um die skalierbare Verarbeitung von zeitlichen Daten zu meistern.