Avis et détails du produit MLlib

Il est utile pour mettre en œuvre des algorithmes d'apprentissage automatique tels que la classification, la régression et le regroupement. Il fonctionne bien lors de l'utilisation de techniques de modélisation statistique. Avis collecté par et hébergé sur G2.com.

Il a une mémoire coûteuse avec la nécessité d'une optimisation manuelle qui pourrait dégrader l'expérience utilisateur. Il donne de la latence mais peut être utilisé parmi les communautés R et Python. Avis collecté par et hébergé sur G2.com.

la mise en œuvre d'algorithmes d'apprentissage automatique comme la régression, la classification et les techniques de modélisation peut être réalisée à l'aide de l'outil Avis collecté par et hébergé sur G2.com.

MLlib n'est pas prêt pour la production, de plus Spark ne se révèle pas être un moteur utile en raison de sa latence. Avis collecté par et hébergé sur G2.com.

L'interface et le poste de travail sont de premier ordre. Facile à naviguer et à expérimenter. Avis collecté par et hébergé sur G2.com.

Rien du tout. Tous sont parfaits et suffisamment efficaces. Avis collecté par et hébergé sur G2.com.

L'informatique distribuée aide à la rapidité et à l'efficacité. Avis collecté par et hébergé sur G2.com.

Rien n'est mauvais, tout à propos de Spark est génial. Avis collecté par et hébergé sur G2.com.

La puissance de scalabilité du cadre qui gère efficacement de grandes quantités de données et exécute des algorithmes d'apprentissage automatique à un rythme plus rapide. Avis collecté par et hébergé sur G2.com.

La syntaxe et les modifications de code pour Python R dépendent des outils que nous utilisons. Ce n'est pas standard, ce qui est difficile pour les nouveaux utilisateurs à s'adapter. Les packages sont très différents d'un outil à l'autre. Avis collecté par et hébergé sur G2.com.

MLLib a été utilisé dans le cadre d'un cours dans mon université pour le Big Data. Nous avons donc étudié pourquoi MLLib a été créé et quelles étaient les insuffisances du cadre Map-Reduce de Hadoop et comment Apache Spark les a résolues. La meilleure partie est la facilité d'utilisation de MLLib ainsi que l'excellente documentation disponible à la fois sur le site officiel et à partir de sources externes comme les vidéos YouTube. La grande communauté facilite l'apprentissage et l'utilisation de MLLib. J'ai utilisé MLLib pour les arbres de décision et, en tant qu'étudiant, j'ai réussi à l'implémenter facilement. De plus, l'implémentation en Python est très facile à réaliser. Avis collecté par et hébergé sur G2.com.

Nous avons reçu un système préinstallé pour nos laboratoires et un cluster, mais lorsque j'ai essayé de faire de même pour ma machine, j'ai trouvé cela assez difficile à installer. De plus, le support pour l'apprentissage profond n'est pas présent, ce qui est un domaine de l'apprentissage automatique en très forte croissance. Avis collecté par et hébergé sur G2.com.

MLib est jusqu'à présent la meilleure bibliothèque de machine learning largement utilisée et soutenue par la communauté pour Apache Spark. Avis collecté par et hébergé sur G2.com.

MLib est incohérent avec les modèles d'apprentissage profond, ce qui pose des problèmes lors du passage des modèles en production. Avis collecté par et hébergé sur G2.com.

Vitesse et facilité d'utilisation. Un fort soutien de la communauté et de nombreuses ressources. Avis collecté par et hébergé sur G2.com.

Le prototypage peut être chronophage. De plus, il a une utilité limitée dans le cas de jeux de données extrêmement volumineux. Avis collecté par et hébergé sur G2.com.

J'adore la façon dont il inclut la plupart des bibliothèques ML populaires pour une utilisation facile avec Apache Spark et le calcul parallélisé. La puissance n'est limitée que par le nombre de cœurs que vous avez. Avis collecté par et hébergé sur G2.com.

J'ai l'impression que certains autres frameworks de ML ont de meilleurs modèles ou des fonctionnalités supplémentaires utilisées dans le développement de modèles. MLlib est également une partie open source de Spark, donc le développement du framework dépend largement de ce que les contributeurs open source y apportent. Avis collecté par et hébergé sur G2.com.

Il est distribué et permet l'exécution distribuée de l'entraînement du modèle ainsi que l'évaluation du modèle. Il aide à tirer parti des avantages de Spark sans utiliser Scala. Il offre Spark ML avec Python !

Haute performance car c'est un package de modélisation de données basé sur RDD.

Documentation assez agréable. Avis collecté par et hébergé sur G2.com.

Il est rigide avec certains des algorithmes, en particulier avec des algorithmes avancés comme le réseau de neurones. Par exemple, vous êtes incapable de changer les fonctions d'activation d'un réseau de neurones. Vous pouvez soit utiliser Sigmoid pour toutes les couches, soit tanh, ce qui n'a pas vraiment de sens !

Les métriques d'évaluation ne sont pas aussi riches que les packages comme Scikit-Learn.

Toutes ses fonctionnalités ne sont pas implémentées en Python. Beaucoup sont encore basées sur Scala. Avis collecté par et hébergé sur G2.com.