Big Data → 3.4 Примеры архитектуры BD. Kafka

1. Вместо Введения 2
- Лекция1.1
  
  1.1 Зачем нам столько данных. История machine learning 2 мин.
- Лекция1.2
  
  1.2 Машина учится. В чем польза? 2 мин.
2. Чего добились в Big Data 9
- Лекция2.1
  
  2.1 Автопилот, переводчики и распознавание речи 4 мин.
- Лекция2.2
  
  2.2 Генерация видео и фото 2 мин.
- Лекция2.3
  
  2.3 Улучшение графики и добавление объектов 2 мин.
- Лекция2.4
  
  2.4 Как нейросети учат друг друга. GAN. 2 мин.
- Лекция2.5
  
  2.5 Почему нейросети любят котиков и собачек 5 мин.
- Лекция2.6
  
  2.5.1 Почему нейросети любят котиков и собачек 3 мин.
- Лекция2.7
  
  2.6 Обучение с подкреплением 5 мин.
- Лекция2.8
  
  2.7 Обучение в условиях неопределенности 2 мин.
- Лекция2.9
  
  2.8 Вместо вывода 2 мин.
3. Основные понятия и процессы в Big Data 10
- Лекция3.1
  
  3.1. Введение. Что такое данные 3 мин.
- Лекция3.2
  
  3.2 Распределенные данные. Hadoop 3 мин.
- Лекция3.3
  
  3.3 Процесс работы с BD 2 мин.
- Лекция3.4
  
  3.3 Улучшение графики и добавление объектов 2 мин.
- Лекция3.5
  
  3.4 Примеры архитектуры BD. Kafka 4 мин.
- Лекция3.6
  
  3.5 Real-time и не real-time данные. Лямбда-архитектура 2 мин.
- Лекция3.7
  
  3.6 Преимущества распределенных БД. Принцип 3V 2 мин.
- Лекция3.8
  
  3.7 Как выбрать архитектуру BD 1 мин.
- Лекция3.9
  
  3.8 Hadoop или не Hadoop 4 мин.
- Лекция3.10
  
  3.9 Выводы 1 мин.
4. Data Science 11
- Лекция4.1
  
  4.1 Что такое Data Science. EDA vs PDA 3 мин.
- Лекция4.2
  
  4.2 Machine learning. Как это работает 3 мин.
- Лекция4.3
  
  4.3 Виды машинного обучения. Обучение без учителя 2 мин.
- Лекция4.4
  
  4.4 Обучение с учителем 2 мин.
- Лекция4.5
  
  4.5 Как модель учится 2 мин.
- Лекция4.6
  
  4.6 Наглядный пример машинного обучения. Переобучение 6 мин.
- Лекция4.7
  
  4.7 Основные метрики машинного обучения 5 мин.
- Лекция4.8
  
  4.8 Дополнительные метрики 2 мин.
- Лекция4.9
  
  4.9 Рекомендательные системы 1 мин.
- Лекция4.10
  
  4.10 Глубокое обучение (Deep learning) 1 мин.
- Лекция4.11
  
  4.11 Особенности и перспективы deep learning 2 мин.
5. Как построить работу с Big Data в компании 8
- Лекция5.1
  
  5.1 CRISP-DM. Понимание задач бизнеса 1 мин.
- Лекция5.2
  
  5.2 Постановка задачи 3 мин.
- Лекция5.3
  
  5.3 Data understanding 1 мин.
- Лекция5.4
  
  5.4 Подготовка. Построение модели 1 мин.
- Лекция5.5
  
  5.5 Оценка модели 1 мин.
- Лекция5.6
  
  5.6 Ввод в эксплуатацию. Пример Netflix 2 мин.
- Лекция5.7
  
  5.7 Где найти специалистов 2 мин.
- Лекция5.8
  
  5.8 Заключение 1 мин.

Этот контент защищен, пожалуйста, начните Курс, чтобы просмотреть контент!

Предыдущий 3.3 Улучшение графики и добавление объектов

Следующий 3.5 Real-time и не real-time данные. Лямбда-архитектура

Другое

1. Вместо Введения 2

2. Чего добились в Big Data 9

3. Основные понятия и процессы в Big Data 10

4. Data Science 11

5. Как построить работу с Big Data в компании 8

Войти в свой аккаунт

Регистрация