91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
基于云計算的數(shù)據(jù)科學
基于云計算的數(shù)據(jù)科學
Valliappa Lakshmanan 著
馬睿 譯
出版時間：2020年01月
頁數(shù)：409
本書將帶領你了解如何使用Google云計算平臺，輕松構建復雜的統(tǒng)計和機器學習解決方案，解決實際業(yè)務問題。本書作為一本動手指南，為開發(fā)人員展示了如何在數(shù)據(jù)科學領域實現(xiàn)端到端的數(shù)據(jù)管道，以及如何在Google云計算平臺上使用統(tǒng)計和機器學習的方法和工具。通過閱讀本書，你將學習多種數(shù)據(jù)科學方法，并使用這些方法在示例項目上制定業(yè)務決策。
隨后，你就可以在Google云計算平臺上針對自己的項目構建統(tǒng)計和機器學習解決方案了，同時探索該平臺為數(shù)據(jù)科學提供的更多革命性和協(xié)作特性。
在本書中，你將學到：
● 使用App Engine應用實現(xiàn)自動化定期數(shù)據(jù)攝取。
● 在Google Data Studio中創(chuàng)建并生成數(shù)據(jù)儀表板。
● 構建實時數(shù)據(jù)分析管道，實現(xiàn)流式數(shù)據(jù)分析。
● 使用Google BigQuery實現(xiàn)可交互式數(shù)據(jù)探索。
● 在Cloud Dataproc群集上創(chuàng)建貝葉斯模型。
● 使用Spark構建邏輯回歸機器學習模型。
● 使用Cloud Dataflow數(shù)據(jù)管道計算時間聚合特征。
● 使用TensorFlow構建高性能預測模型。
● 將你的模型部署為微服務，并且從批處理和實時數(shù)據(jù)管道中使用它。
  1. 前言
  2. 第1章 用數(shù)據(jù)做出更好的決策
  3. 許多相似的決策
  4. 數(shù)據(jù)工程師的角色
  5. 云計算讓數(shù)據(jù)工程師成為可能
  6. 云計算使數(shù)據(jù)科學能力得到倍增
  7. 用案例研究揭示難解的真相
  8. 基于概率的決策
  9. 數(shù)據(jù)和工具
  10. 本章總結
  11. 第2章 將數(shù)據(jù)攝取到云端
  12. 航空公司準點數(shù)據(jù)
  13. 為什么不就地存儲數(shù)據(jù)？
  14. 攝取數(shù)據(jù)
  15. 每月下載計劃
  16. 本章總結
  17. 代碼實驗
  18. 第3章 創(chuàng)建引人注目的儀表板
  19. 使用數(shù)據(jù)儀表板對模型進行解釋
  20. 為什么要先構建數(shù)據(jù)儀表板？
  21. 準確、忠實于數(shù)據(jù)且良好的設計
  22. 將數(shù)據(jù)加載到 Google Cloud SQL
  23. 創(chuàng)建Google Cloud SQL實例
  24. 與Google云計算平臺交互
  25. 控制對MySQL的訪問
  26. 創(chuàng)建表
  27. 向表中填充數(shù)據(jù)
  28. 建立第一個模型
  29. 構建數(shù)據(jù)儀表板
  30. Data Studio入門
  31. 本章總結
  32. 第4章 流數(shù)據(jù)：發(fā)布和攝取
  33. 設計事件饋送
  34. 時間校正
  35. Apache Beam/Cloud Dataflow
  36. 將事件流發(fā)布到Cloud Pub/Sub
  37. 實時流式處理
  38. 本章總結
  39. 第5章 交互式數(shù)據(jù)探索
  40. 探索性數(shù)據(jù)分析
  41. 將航班數(shù)據(jù)加載到BigQuery中
  42. Cloud Datalab中的探索性數(shù)據(jù)分析
  43. 質量控制
  44. 不同出發(fā)延誤條件下的抵達延誤
  45. 評估模型
  46. 本章總結
  47. 第6章 Cloud Dataproc上的貝葉斯分類器
  48. MapReduce和Hadoop生態(tài)系統(tǒng)
  49. 使用Spark SQL進行量化
  50. 使用Pig實現(xiàn)貝葉斯分類
  51. 本章總結
  52. 第7章 機器學習：Spark上的邏輯回歸
  53. 邏輯回歸
  54. 特征工程
  55. 本章總結
  56. 第8章 時間窗化的聚合特征
  57. 平均時間的需求
  58. Java中的Dataflow
  59. 計算平均時間
  60. 監(jiān)控、故障排除和性能調整
  61. 本章總結
  62. 第9章 使用TensorFlow的
  63. 機器學習分類器
  64. 使用更復雜的模型
  65. 將數(shù)據(jù)讀入TensorFlow
  66. 建立實驗
  67. 對ML模型進行改進
  68. 部署模型
  69. 本章總結
  70. 第10章 實時機器學習
  71. 調用預測服務
  72. 將預測結果添加到航班信息
  73. 流式數(shù)據(jù)管道
  74. 事務，吞吐量和延遲
  75. 評估模型的性能
  76. 本章總結
  77. 全書總結
  78. 附錄 有關機器學習數(shù)據(jù)集中敏感數(shù)據(jù)的注意事項
書名：基于云計算的數(shù)據(jù)科學
譯者：馬睿 譯
國內出版社：中國電力出版社
出版時間：2020年01月
頁數(shù)：409
書號：978-7-5198-4013-6
原版書書名：Data Science on the Google Cloud Platform
原版書出版商：O'Reilly Media
Valliappa Lakshmanan
 
Valliappa (Lak) Lakshmanan是Google Cloud的數(shù)據(jù)分析和AI解決方案負責人。他的團隊借助BigQuery和Google Cloud上的其他數(shù)據(jù)分析、機器學習產品，構建軟件解決方案來解決業(yè)務問題。

Valliappa Lakshmanan是知名高管，與管理層其他同仁和數(shù)據(jù)科學團隊一起用數(shù)據(jù)和AI創(chuàng)造價值。
 
 
本書的封面動物是黃胸鷸（學名：Calidris subruficollis）。雖然大多數(shù)鷸科都是水鳥，但黃胸鷸在海岸附近并不常見，它們在加拿大和阿拉斯加的苔原棲息地繁衍，冬季飛躍美國中西部地區(qū)，遷徙數(shù)千英里到達南美洲。在英國和愛爾蘭也可以看到這種鳥。
黃胸鷸是一種小型鳥，長約7~9英寸，平均翼展18英寸，它們背上有棕色羽毛，因為胸前羽毛呈淺棕色，因此而得名。在交配季節(jié)，鳥兒們聚集在一片用于展示自己的地盤（即“求偶場”），雄性將喙向上抬起，翅膀上揚，露出下部的白色羽毛，同時搖動身體。如果求偶成功，它們可能與多個雌性交配。雌性鷸鳥有獨立的筑巢場地，它們將蛋產淺淺的洞中，然后用青苔、葉子和其他植物蓋住。昆蟲是鷸鳥的主要食物來源，在狩獵時，它們靜止不動用視線觀察，當有獵物出現(xiàn)時，它們迅速沖出去，用又短又尖的喙捕捉。
在非繁殖季節(jié)，黃胸鷸喜歡棲息在有矮小草叢的地方，如機場、耕地和高爾夫球場等，這也是它們在城市通常用于過冬的地方。目前，由于殺蟲劑的使用以及北極繁殖區(qū)的棲息地受到破壞，黃胸鷸已被列為瀕危物種。
本書封面圖片來自British Birds III。
購買選項
定價：98.00元
書號：978-7-5198-4013-6
出版社：中國電力出版社