Python sur Spark avec Databricks

Objectifs

Maîtriser la librairie PySpark afin d'utiliser Apache Spark avec le langage de programmation Python sur un environnement Databricks.

Programme de la formation

- Présentation de DatabricksCette introduction permet de vous initier à l'environnement Databricks et ses outils

• Historique
• Différence entre l'utilisation Administrateur et Utilisateur
• Comment mettre en place un projet sur Databricks/AWS
• Comment créer un cluster de calcul avec Databricks/AWS
• Gestion des notebooks, des utilisateurs et des ressources

- Introduction à SparkSpark est un environnement de travail distribué qui permet d'effectuer des calculs sur des gros volumes de données

• Rappels sur le Big Data
• Présentation de Spark: Spark RDD, Spark SQL, Spark MLlib, Spark GraphX
• Configurer un Spark Context et une Spark Session
• Gestion de la mémoire sous Spark

- Présentation de PySpark et l'API Pyspark RDDPyspark est l'API Python de Spark

• Présentation de Pyspark et fonctionnement avec les Java Virtual Machines
• Présentation de l'API Pyspark RDD et manipulation de données non structurées
• Mise en pratique avec des fichiers textes (comptage de mots, nettoyage d'un fichier texte structuré) et avec des opérations d'agrégation sur PairRDDs

- Utilisation de l'API Pyspark SQLL'API Pyspark SQL permet de manipuler des données structurées sous format de Dataframes avec du Python et du SQL

• Présentation de l'API Pyspark SQL
• Lecture de fichiers csv, json, parquet et sauvegarde de fichier
• Nettoyage et manipulation de données
• Groupby et agrégation
• Jointure de tables
• Lien entre SQL et Python
• Manipulation d'objets Row, et Window
• Manipulation de dates
• Utilisation de User Defined Function et de Pandas User Defined functions
• Présentation de Pyspark Pandas
• Nombreuses mises en pratique sur des jeux de données

- Introduction au Machine LearningRappels des fondamentaux du Machine Learning

• Qu'est-ce que le Machine Learning? Apprentissages supervisé et non supervisé
• Compromis Biais Variance
• Modèles Linéaires
• Modèles Non Linéaires
• Modèles ensemblistes
• Modèles de clustering
• Métriques et évaluation des performances

- Machine Learning avec PySparkLes librairies associées à Pyspark MLlib permettent de faire tourner des modèles de Machine Learning dans un environnement de calcul distribué

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique