Reseñas y detalles del producto de MLlib

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.

The scalability power of the framework which handles large data efficiently and performs machine learning algorithms at faster rate. Reseña recopilada por y alojada en G2.com.

The syntax and code changes for python R depends on the tools we are using.It is not standard which is tough for new users to adapt.The packages are very different compared tools to tool. 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.

MLib so far is the best community supported widely used machine learning library for apache spark Reseña recopilada por y alojada en G2.com.

MLib is inconsistent with deep learning models, this causes issues while moving models to production Reseña recopilada por y alojada en G2.com.

I love how it includes most of the popular ML libraries for easy use with Apache Spark and parallelized computing. The power is only limited by the number of cores you've got. Reseña recopilada por y alojada en G2.com.

I feel like some other ML frameworks have better models, or added features/functionality used in developing models. MLlib is also an open source part of Spark, so development of the framework depends largely on what Open Source folks contribute to it. 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.

The best features of the program include increasing speeds of computations and has high quality algorithms. Reseña recopilada por y alojada en G2.com.

I dislike that we have not fully implemented the product so I am not fully informm Reseña recopilada por y alojada en G2.com.