Pros y Contras de Apache SystemML

Lo que más me gusta de Apache SystemML es su escalabilidad sin problemas desde máquinas individuales hasta grandes clústeres y su integración con Apache Spark para un procesamiento eficiente de grandes volúmenes de datos. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de Apache SystemML es su pronunciada curva de aprendizaje para principiantes. Requiere que los usuarios se sientan cómodos con la codificación y los marcos de datos masivos, lo cual puede ser un desafío para aquellos que son nuevos en el aprendizaje automático o en las herramientas de big data. Reseña recopilada por y alojada en G2.com.

Apache SystemML es de IBM, que lo declaró como código abierto. Apache SystemML es una buena plataforma para resolver problemas de aprendizaje automático. En el aprendizaje automático necesitamos una gran cantidad de datos y manejar esos big data no es una tarea fácil, lo cual se puede hacer sin problemas con Apache SystemML. También es útil para científicos de datos o ingenieros. Personaliza y optimiza algoritmos basados en sus características. También es compatible con los lenguajes populares R y Python, lo cual es útil. Con la ayuda adicional de Apache Spark, mejora bien su precisión. Apache SystemML genera automáticamente planes de ejecución híbridos que van desde un solo nodo, computación en memoria, computación distribuida en Apache Hadoop y Spark. Reseña recopilada por y alojada en G2.com.

Apache SystemML todavía está luchando por la adquisición de clientes. Además, carece de colaboración en proyectos. A veces parece lento al procesar datos. Aunque hay documentación, necesita una actualización periódica. Reseña recopilada por y alojada en G2.com.

Me gusta que Apache SystemML te permita escribir modelos de ML de una manera simple y maneje los detalles complejos de ejecución y escalado por ti. Reseña recopilada por y alojada en G2.com.

Otra desventaja es que Apache SystemML puede ser menos flexible para los algoritmos de ML del cliente en comparación con las bibliotecas de nivel inferior, y su rendimiento puede variar según qué tan bien la optimización automática se alinee con casos de uso específicos. Reseña recopilada por y alojada en G2.com.

So machine learning deals with a huge amount of data, right? Apache SystemML is kind of a platform that dives right into this, focusing mainly on the big data needed to create some machine learning modules. And believe me, it still runs on Apache Spark, which gives the whole thing a boost in accuracy. Reseña recopilada por y alojada en G2.com.

I have been having problems with the lack of documentation. Reseña recopilada por y alojada en G2.com.

As we know the machine learning is deals with the Big Data so in the Apache SystemML is a platform who mainly focus on the bigdata that is require to create a machine learning module. So that will have the more accuracy.It can be run over the apache spark. Reseña recopilada por y alojada en G2.com.

Dont have the complete guide documentation also not highly available. Reseña recopilada por y alojada en G2.com.

Ease of use , integration with other downstream process Reseña recopilada por y alojada en G2.com.

Not enough documentation , network latency Reseña recopilada por y alojada en G2.com.