Datová věda na AWS: Implementace kontinuálních potrubí pro umělou inteligenci a strojové učení od konce do konce: AWS: Jak na to?

Recenze čtenářů

Kniha poskytuje praktický úvod do AWS MLOps a nabízí cenné poznatky o datové vědě v cloudu AWS. Je dobře strukturovaná a komplexně pokrývá mnoho služeb AWS. Někteří čtenáři však považují kapitoly o kódování za nepřehledné a kvalitu tisku za špatnou. Zatímco někteří chválí její hloubku a rozsah, jiní kritizují nedostatek praktických návodů a ucelené organizace.

⬤ Dobře napsaná a informativní
⬤ pokrývá širokou škálu služeb AWS
⬤ poskytuje praktické znalosti a dobrou rovnováhu mezi vysvětlením a kódem
⬤ bohatý obsah za danou cenu
⬤ aktivně udržovaný repozitář kódu
⬤ užitečná pro pochopení komplexních procesů strojového učení na AWS.

⬤ Některé kapitoly jsou nejasné a nepraktické
⬤ špatná kvalita tisku (černobílý, nekvalitní papír)
⬤ chybí ucelená struktura a podrobné pokyny krok za krokem
⬤ někteří čtenáři dostali použité nebo opotřebované výtisky
⬤ neprovádí čtenáře používáním služeb AWS tak, jak se očekávalo
⬤ za danou cenu považováno za povrchní.

(na základě 25 hodnocení čtenářů)

Původní název:

Data Science on AWS: Implementing End-To-End, Continuous AI and Machine Learning Pipelines

Obsah knihy:

V této praktické knize se odborníci na umělou inteligenci a strojové učení dozvědí, jak úspěšně vytvářet a nasazovat projekty datové vědy v Amazon Web Services. Amazon AI and machine learning stack sjednocuje datovou vědu, datové inženýrství a vývoj aplikací a pomáhá tak zvyšovat úroveň vašich dovedností. Tato příručka vám ukáže, jak v cloudu vytvářet a spouštět pipeline a následně integrovat výsledky do aplikací v řádu minut namísto dnů. Autoři Chris Fregly a Antje Barth v celé knize ukazují, jak snížit náklady a zvýšit výkon.

⬤ Použijte Amazon AI a ML stack v reálných případech použití pro zpracování přirozeného jazyka, počítačové vidění, detekci podvodů, konverzační zařízení a další.

⬤ Využijte automatizované strojové učení k implementaci specifické podmnožiny případů použití pomocí SageMaker Autopilot.

⬤ Ponořte se do celého životního cyklu vývoje modelu pro případ použití NLP založený na BERT, včetně příjmu dat, analýzy, trénování modelu a nasazení.

⬤ Spojte vše dohromady do opakovatelného provozního potrubí strojového učení.

⬤ Prozkoumejte ML v reálném čase, detekci anomálií a streamingovou analýzu datových proudů pomocí Amazon Kinesis a Managed Streaming pro Apache Kafka.

⬤ Získejte osvědčené postupy zabezpečení pro projekty a pracovní postupy v oblasti datové vědy, včetně správy identit a přístupu, autentizace, autorizace a dalších.