Meilleures alternatives à MLlib les mieux notées
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.
13 sur 14 Avis au total pour MLlib
Sentiment de l'avis global pour MLlib
Connectez-vous pour consulter les sentiments des avis.
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.
The scalability power of the framework which handles large data efficiently and performs machine learning algorithms at faster rate. Avis collecté par et hébergé sur 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. Avis collecté par et hébergé sur G2.com.
MLib so far is the best community supported widely used machine learning library for apache spark Avis collecté par et hébergé sur G2.com.
MLib is inconsistent with deep learning models, this causes issues while moving models to production Avis collecté par et hébergé sur G2.com.
Speed and ease of use. Strong community support and lots of resources. Avis collecté par et hébergé sur G2.com.
Prototyping can be time consuming. Also, limited utility in case of extremely large datasets. Avis collecté par et hébergé sur 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. Avis collecté par et hébergé sur 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. 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.
The best features of the program include increasing speeds of computations and has high quality algorithms. Avis collecté par et hébergé sur G2.com.
I dislike that we have not fully implemented the product so I am not fully informm Avis collecté par et hébergé sur G2.com.
