Utilisez le traitement parallèle pour accélérer votre code Python

Avec ce cours de 4 heures, vous découvrirez comment le traitement parallèle avec Dask en Python peut accélérer vos flux de travail.

Lorsque vous travaillez avec de grandes quantités de données, vous serez confronté à deux obstacles courants : l’utilisation excessive de mémoire et les longs temps d’exécution. La bibliothèque Dask peut réduire votre utilisation de mémoire en chargeant des blocs de données uniquement lorsque nécessaire. Il peut réduire les temps d’exécution en utilisant en parallèle tous les cœurs de calcul disponibles. Mieux encore, cela nécessite très peu de modifications à votre code Python existant.

Analysez de grandes données structurées avec Dask DataFrames

Dans ce cours, vous utilisez Dask pour analyser des données de chansons Spotify, traiter des images de gestes en langue des signes, calculer des tendances dans des données météorologiques, analyser des enregistrements audio et entraîner des modèles d’apprentissage automatique sur de grandes quantités de données.

Vous commencerez par apprendre les bases de Dask, en découvrant comment le traitement parallèle en Python peut accélérer presque n’importe quel code. Ensuite, vous explorerez les DataFrames et les tableaux Dask, ainsi que la façon de les utiliser pour analyser de grandes données structurées.

Entraînez des modèles d’apprentissage automatique avec Dask-ML

Au fil des 51 exercices de ce cours, vous apprendrez à traiter tout type de données, en utilisant les Dask bags pour travailler avec des données non structurées et structurées. Enfin, vous apprendrez à utiliser Dask en Python pour entraîner des modèles d’apprentissage automatique et améliorer vos vitesses de calcul.

Tailles de blocs d'un tableau Dask

Programmation parallèle avec Dask en Python

Exercice interactif pratique