reklama - zainteresowany?

In - Helion

In
ebook
Autor: Chris Fregly, Antje Barth
Tytuł oryginału: Data Science on AWS: Implementing End-to-End, Continuous AI and Machine Learning Pipelines
TÅ‚umaczenie: Tomasz Walczak
ISBN: 978-83-283-9129-1
stron: 472, Format: ebook
Data wydania: 2022-07-01
Księgarnia: Helion

Cena książki: 70,95 zł (poprzednio: 126,70 zł)
Oszczędzasz: 44% (-55,75 zł)

Dodaj do koszyka In

Tagi: Uczenie maszynowe

Platforma Amazon Web Services jest uwa

Dodaj do koszyka In

Spis treści

Inżynieria danych na platformie AWS. Jak tworzyć kompletne potoki uczenia maszynowego eBook -- spis treści

Przedmowa

Rozdział 1. Wprowadzenie do danologii na platformie AWS

  • Zalety przetwarzania w chmurze
  • Potoki i procesy w danologii
  • Zalecane praktyki z obszaru MLOps
  • UsÅ‚ugi SI Amazona i zautomatyzowane uczenie maszynowe w narzÄ™dziu Amazon SageMaker
  • Pobieranie, eksploracja i przygotowywanie danych na platformie AWS
  • Uczenie i dostrajanie modelu za pomocÄ… narzÄ™dzia Amazon SageMaker
  • Instalowanie modeli za pomocÄ… usÅ‚ugi Amazon SageMaker i funkcji AWS Lambda
  • Analizy i uczenie maszynowe dla strumieni danych na platformie AWS
  • Infrastruktura platformy AWS i niestandardowy sprzÄ™t
  • Ograniczanie kosztów za pomocÄ… tagów, budżetów i alertów
  • Podsumowanie

Rozdział 2. Zastosowania danologii

  • Innowacje w każdej branży
  • Spersonalizowane rekomendacje produktów
  • Wykrywanie niestosownych materiaÅ‚ów wideo za pomocÄ… usÅ‚ugi Amazon Rekognition
  • Prognozowanie zapotrzebowania
  • Identyfikowanie faÅ‚szywych kont za pomocÄ… usÅ‚ugi Amazon Fraud Detector
  • Używanie usÅ‚ugi Amazon Macie do wykrywania wycieków wrażliwych danych
  • UrzÄ…dzenia konwersacyjne i asystenci gÅ‚osowi
  • Analiza tekstu i NLP
  • Wyszukiwanie kognitywne i rozumienie jÄ™zyka naturalnego
  • Inteligentne centra obsÅ‚ugi klienta
  • PrzemysÅ‚owe usÅ‚ugi SI i konserwacja predykcyjna
  • Automatyzacja domu za pomocÄ… narzÄ™dzi AWS IoT i Amazon SageMaker
  • Pobieranie informacji medycznych z dokumentów sÅ‚użby zdrowia
  • SamooptymalizujÄ…ca i inteligentna infrastruktura chmury
  • Kognitywna i predyktywna analityka biznesowa
  • Edukacja nastÄ™pnego pokolenia programistów SI i UM
  • Zaprogramuj naturalny system operacyjny za pomocÄ… przetwarzania kwantowego
  • Wzrost wydajnoÅ›ci i obniżenie kosztów
  • Podsumowanie

Rozdział 3. Zautomatyzowane uczenie maszynowe

  • Zautomatyzowane uczenie maszynowe w usÅ‚udze SageMaker Autopilot
  • Åšledzenie wyników eksperymentów za pomocÄ… usÅ‚ugi SageMaker Autopilot
  • Uczenie i instalowanie klasyfikatora tekstu za pomocÄ… usÅ‚ugi SageMaker Autopilot
  • Zautomatyzowane uczenie maszynowe w usÅ‚udze Amazon Comprehend
  • Podsumowanie

Rozdział 4. Pobieranie danych do chmury

  • Jeziora danych
  • Kierowanie zapytaÅ„ do jeziora danych w S3 za pomocÄ… usÅ‚ugi Amazon Athena
  • CiÄ…gÅ‚e pobieranie nowych danych za pomocÄ… narzÄ™dzia AWS Glue Crawler
  • Stosowanie architektury Lake House za pomocÄ… usÅ‚ugi Amazon Redshift Spectrum
  • Wybór miÄ™dzy narzÄ™dziami Amazon Athena a Amazon Redshift
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 5. Eksplorowanie zbioru danych

  • NarzÄ™dzia do eksplorowania danych w AWS
  • Wizualizowanie jeziora danych w Å›rodowisku SageMaker Studio
  • Zapytania dotyczÄ…ce hurtowni danych
  • Tworzenie paneli kontrolnych za pomocÄ… usÅ‚ugi Amazon QuickSight
  • Wykrywanie problemów z jakoÅ›ciÄ… danych za pomocÄ… narzÄ™dzi Amazon SageMaker i Apache Spark
  • Wykrywanie tendencyjnoÅ›ci w zbiorze danych
  • Wykrywanie zmian różnego rodzaju za pomocÄ… usÅ‚ugi SageMaker Clarify
  • Analizowanie danych za pomocÄ… usÅ‚ugi AWS Glue DataBrew
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 6. Przygotowywanie zbioru danych do uczenia modelu

  • Wybieranie i inżynieria cech
  • Skalowanie inżynierii cech za pomocÄ… zadaÅ„ SageMaker Processing
  • UdostÄ™pnianie cech za pomocÄ… repozytorium cech z platformy SageMaker
  • Wczytywanie i przeksztaÅ‚canie danych w usÅ‚udze SageMaker Data Wrangler
  • Åšledzenie historii artefaktów i eksperymentów na platformie Amazon SageMaker
  • Wczytywanie i przeksztaÅ‚canie danych za pomocÄ… usÅ‚ugi AWS Glue DataBrew
  • Podsumowanie

Rozdział 7. Uczenie pierwszego modelu

  • Infrastruktura platformy SageMaker
  • Instalowanie wyuczonego modelu BERT za pomocÄ… usÅ‚ugi SageMaker JumpStart
  • Tworzenie modelu w platformie SageMaker
  • Krótka historia przetwarzania jÄ™zyka naturalnego
  • Architektura Transformer w algorytmie BERT
  • Uczenie modelu BERT od podstaw
  • Dostrajanie wstÄ™pnie wyuczonego modelu BERT
  • Tworzenie skryptu uczenia
  • Uruchamianie skryptu uczenia w usÅ‚udze SageMaker Notebook
  • Ocena modeli
  • Debugowanie i profilowanie procesu uczenia modelu w usÅ‚udze SageMaker Debugger
  • Interpretowanie i wyjaÅ›nianie predykcji modelu
  • Wykrywanie tendencyjnoÅ›ci modelu i wyjaÅ›nianie predykcji
  • Dodatkowe metody uczenia algorytmu BERT
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 8. Uczenie i optymalizowanie modeli na dużą skalę

  • Automatyczne znajdowanie optymalnych hiperparametrów dla modelu
  • Stosowanie ciepÅ‚ego startu dla dodatkowych zadaÅ„ dostrajania hiperparametrów na platformie SageMaker
  • Skalowanie poziome uczenia rozproszonego na platformie SageMaker
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 9. Instalowanie modeli w środowisku produkcyjnym

  • Predykcje w czasie rzeczywistym czy w trybie wsadowym?
  • Generowanie predykcji w czasie rzeczywistym za pomocÄ… punktów koÅ„cowych platformy SageMaker
  • Automatyczne skalowanie punktów koÅ„cowych platformy SageMaker za pomocÄ… usÅ‚ugi Amazon CloudWatch
  • Strategie instalowania nowych i zaktualizowanych modeli
  • Testowanie i porównywanie nowych modeli
  • Monitorowanie pracy modelu i wykrywanie zmian
  • Monitorowanie jakoÅ›ci danych w punktach koÅ„cowych platformy SageMaker
  • Monitorowanie jakoÅ›ci modelu w zainstalowanych punktach koÅ„cowych platformy SageMaker
  • Monitorowanie zmian tendencyjnoÅ›ci w zainstalowanych punktach koÅ„cowych platformy SageMaker
  • Monitorowanie zmian wkÅ‚adu cech w zainstalowanych punktach koÅ„cowych platformy SageMaker
  • Wsadowe generowanie predykcji za pomocÄ… usÅ‚ugi przeksztaÅ‚cania wsadowego na platformie SageMaker
  • Funkcje AWS Lambda i usÅ‚uga Amazon API Gateway
  • Optymalizowanie modeli i zarzÄ…dzanie nimi na obrzeżach sieci
  • Instalowanie modelu opartego na platformie PyTorch za pomocÄ… narzÄ™dzia TorchServe
  • Generowanie predykcji przez algorytm BERT oparty na platformie TensorFlow na platformie AWS Deep Java Library
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 10. Potoki i MLOps

  • MLOps
  • Potoki programowe
  • Potoki uczenia maszynowego
  • Koordynowanie potoku za pomocÄ… usÅ‚ugi SageMaker Pipelines
  • Automatyzacja w usÅ‚udze SageMaker Pipelines
  • Inne sposoby tworzenia potoków
  • Procesy z udziaÅ‚em czÅ‚owieka
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 11. Analizy i uczenie maszynowe dla danych przesyłanych strumieniowo

  • Uczenie w trybach online i offline
  • Aplikacje strumieniowe
  • Zapytania oparte na oknach dotyczÄ…ce strumieniowanych danych
  • Analiza i uczenie maszynowe na podstawie strumieni na platformie AWS
  • Klasyfikowanie recenzji produktów w czasie rzeczywistym za pomocÄ… narzÄ™dzi Amazon Kinesis, AWS Lambda i Amazon SageMaker
  • Implementowanie pobierania strumieniowanych danych za pomocÄ… usÅ‚ugi Kinesis Data Firehose
  • Podsumowywanie recenzji produktów w czasie rzeczywistym na podstawie analizy strumienia
  • Konfigurowanie usÅ‚ugi Amazon Kinesis Data Analytics
  • Aplikacje w usÅ‚udze Kinesis Data Analytics
  • Klasyfikowanie recenzji produktów za pomocÄ… narzÄ™dzi Apache Kafka, AWS Lambda i Amazon SageMaker
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Rozdział 12. Bezpieczna danologia na platformie AWS

  • Model podziaÅ‚u odpowiedzialnoÅ›ci miÄ™dzy platformÄ™ AWS i klientów
  • Korzystanie z usÅ‚ugi IAM na platformie AWS
  • Izolacja Å›rodowisk obliczeniowych i sieciowych
  • Zabezpieczanie dostÄ™pu do danych w S3
  • Szyfrowanie danych w spoczynku
  • Szyfrowanie danych w tranzycie
  • Zabezpieczanie instancji z notatnikami platformy SageMaker
  • Zabezpieczanie Å›rodowiska SageMaker Studio
  • Zabezpieczanie zadaÅ„ i modeli platformy SageMaker
  • Zabezpieczanie usÅ‚ugi AWS Lake Formation
  • Zabezpieczanie danych uwierzytelniajÄ…cych do bazy za pomocÄ… AWS Secrets Manager
  • Nadzór
  • Audytowalność
  • Zmniejszanie kosztów i zwiÄ™kszanie wydajnoÅ›ci
  • Podsumowanie

Dodaj do koszyka In

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.