Utilisez le traitement parallèle pour accélérer votre code Python

Au cours de cette formation de 4 heures, vous découvrirez comment le traitement parallèle avec Dask dans Python peut accélérer vos flux de travail.

Lorsque vous travaillez avec des données volumineuses, vous rencontrerez deux obstacles courants : une utilisation excessive de la mémoire et des temps d'exécution prolongés. La bibliothèque Dask peut réduire votre utilisation de mémoire en ne chargeant des blocs de données que lorsque cela est nécessaire. Il est possible de réduire les temps d'exécution en utilisant tous les cœurs de processeur disponibles en parallèle. De plus, cela nécessite très peu de modifications de votre code Python existant.

Analysez des données structurées volumineuses à l'aide de Dask DataFrame

Dans ce cours, vous utiliserez Dask pour analyser les données musicales de Spotify, traiter des images de gestes en langue des signes, calculer les tendances météorologiques, analyser des enregistrements audio et former des modèles d'apprentissage automatique sur des mégadonnées.

Vous commencerez par acquérir les bases de Dask, en découvrant comment le traitement parallèle en Python peut accélérer la plupart des codes. Ensuite, vous découvrirez les DataFrame et les tableaux Dask, ainsi que leur utilisation pour analyser des données structurées volumineuses.

Entraîner des modèles d'apprentissage automatique à l'aide de Dask-ML

Au fur et à mesure que vous avancerez dans les 51 exercices de ce cours, vous apprendrez à traiter tout type de données, en utilisant les sacs Dask pour travailler avec des données structurées et non structurées. Enfin, vous apprendrez à utiliser Dask dans Python pour former des modèles d'apprentissage automatique et améliorer vos vitesses de calcul.

Tailles de blocs (chunksizes) d’un tableau Dask

Programmation parallèle avec Dask en Python

Exercice interactif pratique