MLlib Reseñas y Detalles del Producto

Es útil en la implementación de algoritmos de aprendizaje automático como clasificación, regresión y agrupamiento. Funciona bien al utilizar técnicas de modelado estadístico. Reseña recopilada por y alojada en G2.com.

Tiene una memoria costosa con la necesidad de optimización manual que podría degradar la experiencia del usuario. Da latencia pero puede ser utilizado entre las comunidades de R y Python. Reseña recopilada por y alojada en G2.com.

implementación de algoritmos de ML como regresión, clasificación y técnicas de modelado se puede hacer usando la herramienta Reseña recopilada por y alojada en G2.com.

MLlib no está listo para producción, además Spark no resulta ser un motor útil debido a su latencia. Reseña recopilada por y alojada en G2.com.

La interfaz y la estación de trabajo son de primera categoría. Fácil de navegar y experimentar. Reseña recopilada por y alojada en G2.com.

Nada en absoluto. Todos son perfectos y lo suficientemente eficientes. Reseña recopilada por y alojada en G2.com.

La computación distribuida ayuda en la velocidad y la eficiencia. Reseña recopilada por y alojada en G2.com.

Nada es malo, todo sobre Spark es genial. Reseña recopilada por y alojada en G2.com.

La capacidad de escalabilidad del marco que maneja grandes volúmenes de datos de manera eficiente y ejecuta algoritmos de aprendizaje automático a una velocidad más rápida. Reseña recopilada por y alojada en G2.com.

La sintaxis y los cambios de código para Python R dependen de las herramientas que estamos utilizando. No es estándar, lo cual es difícil para los nuevos usuarios de adaptarse. Los paquetes son muy diferentes comparados de herramienta a herramienta. Reseña recopilada por y alojada en G2.com.

MLLib se utilizó como parte del curso en mi universidad para Big Data. Así que estudiamos por qué surgió realmente MLLib y cuáles eran las deficiencias en el marco de Map-Reduce de Hadoop y cómo Apache Spark las ha solucionado. La mejor parte es la facilidad de uso de MLLib y también el excelente soporte de documentación tanto del sitio web oficial como de fuentes externas como videos de YouTube. La gran comunidad facilita el aprendizaje y uso de MLLib. Usé MLLib para árboles de decisión y, siendo estudiante, pude implementarlo con éxito y facilidad. Además, la implementación en Python es muy fácil de implementar. Reseña recopilada por y alojada en G2.com.

Nos dieron un sistema preinstalado para nuestros laboratorios y un clúster, pero cuando intenté hacer lo mismo para mi máquina, lo encontré bastante complicado de instalar. Además, no hay soporte para el aprendizaje profundo, que es un campo de aprendizaje automático que está creciendo muy rápidamente. Reseña recopilada por y alojada en G2.com.

Hasta ahora, MLib es la mejor biblioteca de aprendizaje automático ampliamente utilizada y apoyada por la comunidad para Apache Spark. Reseña recopilada por y alojada en G2.com.

MLib es inconsistente con los modelos de aprendizaje profundo, esto causa problemas al mover los modelos a producción. Reseña recopilada por y alojada en G2.com.

Velocidad y facilidad de uso. Fuerte apoyo de la comunidad y muchos recursos. Reseña recopilada por y alojada en G2.com.

La creación de prototipos puede consumir mucho tiempo. Además, tiene una utilidad limitada en el caso de conjuntos de datos extremadamente grandes. Reseña recopilada por y alojada en G2.com.

Me encanta cómo incluye la mayoría de las bibliotecas populares de ML para un uso fácil con Apache Spark y computación paralelizada. El poder solo está limitado por la cantidad de núcleos que tengas. Reseña recopilada por y alojada en G2.com.

Siento que algunos otros marcos de aprendizaje automático tienen mejores modelos o características/funcionalidades añadidas que se utilizan en el desarrollo de modelos. MLlib también es una parte de código abierto de Spark, por lo que el desarrollo del marco depende en gran medida de lo que contribuyan las personas de código abierto. Reseña recopilada por y alojada en G2.com.

Es distribuido y permite la ejecución distribuida del entrenamiento de modelos, así como la evaluación de modelos. Ayuda a aprovechar los beneficios de Spark sin usar Scala. ¡Ofrece Spark ML con Python!

Alto rendimiento ya que es un paquete de modelado de datos basado en RDD.

Documentación bastante buena. Reseña recopilada por y alojada en G2.com.

Es rígido con algunos de los algoritmos, especialmente con los avanzados como la red neuronal. Por ejemplo, no puedes cambiar las funciones de activación de una red neuronal. Puedes usar Sigmoid para todas las capas, o tanh, lo cual realmente no tiene sentido.

Las métricas de evaluación no son tan ricas como paquetes como Scikit-Learn.

No todas sus funcionalidades están implementadas en Python. Muchas todavía están basadas en Scala. Reseña recopilada por y alojada en G2.com.