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AWS的數(shù)據(jù)科學(xué)實(shí)踐
基于AWS的數(shù)據(jù)科學(xué)實(shí)踐
Chris Fregly, Antje Barth 著
孟然 譯
出版時(shí)間：2022年10月
頁(yè)數(shù)：531
“這本書將幫助您將數(shù)據(jù)科學(xué)項(xiàng)目從想法一步一步付諸實(shí)踐。Chris和Antje在本書中涵蓋了所有的重要概念和關(guān)鍵的 AWS 服務(wù)，以及許多真實(shí)世界的示例幫助你開始你的數(shù)據(jù)科學(xué)旅程?！?br /> ——Jeff Barr
Amazon網(wǎng)絡(luò)服務(wù)副總裁與首席布道者


通過(guò)閱讀這本實(shí)用手冊(cè)，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）從業(yè)者將會(huì)學(xué)習(xí)如何在Amazon網(wǎng)絡(luò)服務(wù)（AWS）上成功構(gòu)建并部署數(shù)據(jù)科學(xué)項(xiàng)目。Amazon AI和ML服務(wù)棧將數(shù)據(jù)科學(xué)、數(shù)據(jù)工程和應(yīng)用開發(fā)統(tǒng)一在一起，來(lái)幫助你提升技能。這本手冊(cè)向你展示如何在云上搭建和運(yùn)行流水線，并將運(yùn)行結(jié)果在幾分鐘內(nèi)（而不是幾天）集成到應(yīng)用中。此外，本書作者還在全書各個(gè)章節(jié)點(diǎn)明了降低開銷并提升性能的方法。
● 將Amazon AI和ML服務(wù)棧應(yīng)用到真實(shí)世界的應(yīng)用場(chǎng)景，如自然語(yǔ)言處理、計(jì)算機(jī)視覺、欺詐檢測(cè)、對(duì)話式設(shè)備等。
● 使用Amazon SageMaker Autopilot，通過(guò)自動(dòng)化機(jī)器學(xué)習(xí)（AutoML）實(shí)現(xiàn)特定應(yīng)用場(chǎng)景的子集。
● 深入理解一個(gè)基于BERT的自然語(yǔ)言處理場(chǎng)景的模型開發(fā)的完整生命周期，包括數(shù)據(jù)接入、數(shù)據(jù)分析以及更多。
● 將所有組件包裝成一個(gè)可重復(fù)的機(jī)器學(xué)習(xí)運(yùn)維流水線。
● 通過(guò)Amazon Kinesis和Amazon Managed Streaming for Apache Kafka（MSK），在實(shí)時(shí)數(shù)據(jù)流中探索實(shí)時(shí)機(jī)器學(xué)習(xí)、異常檢測(cè)和流分析。
● 了解數(shù)據(jù)科學(xué)項(xiàng)目和工作流中的最佳安全實(shí)踐，包括在數(shù)據(jù)接入和分析、模型訓(xùn)練和部署過(guò)程中應(yīng)用AWS Identity and Access Management（IAM）、鑒權(quán)、授權(quán)。
  1. 前言
  2. 第1章 基于AWS的數(shù)據(jù)科學(xué)概述
  3. 1.1 云計(jì)算的益處
  4. 1.2 數(shù)據(jù)科學(xué)流水線與工作流
  5. 1.3 機(jī)器學(xué)習(xí)運(yùn)維最佳實(shí)踐
  6. 1.4 使用Amazon SageMaker實(shí)現(xiàn)Amazon人工智能服務(wù)和機(jī)器學(xué)習(xí)自動(dòng)化
  7. 1.5 在AWS上實(shí)現(xiàn)數(shù)據(jù)接入、探索與準(zhǔn)備
  8. 1.6 使用Amazon SageMaker訓(xùn)練和調(diào)試模型
  9. 1.7 使用Amazon SageMaker和AWS Lambda函數(shù)部署模型
  10. 1.8 AWS上的流分析和機(jī)器學(xué)習(xí)
  11. 1.9 AWS基礎(chǔ)設(shè)施和定制化硬件
  12. 1.10 使用標(biāo)簽、預(yù)算和告警減少開銷
  13. 1.11 小結(jié)
  14. 第2章 數(shù)據(jù)科學(xué)的應(yīng)用場(chǎng)景
  15. 2.1 在每個(gè)行業(yè)實(shí)現(xiàn)創(chuàng)新
  16. 2.2 個(gè)性化產(chǎn)品推薦
  17. 2.3 使用Amazon Rekognition檢測(cè)不當(dāng)視頻
  18. 2.4 需求預(yù)測(cè)
  19. 2.5 使用Amazon Fraud Detector識(shí)別虛假賬號(hào)
  20. 2.6 使用Amazon Macie檢測(cè)隱私泄漏
  21. 2.7 對(duì)話裝置和語(yǔ)音助手
  22. 2.8 文本分析和自然語(yǔ)言處理
  23. 2.9 認(rèn)知式搜索和自然語(yǔ)言理解
  24. 2.10 智能客戶支持中心
  25. 2.11 工業(yè)人工智能服務(wù)和預(yù)測(cè)性維護(hù)
  26. 2.12 使用AWS IoT和Amazon SageMaker實(shí)現(xiàn)家庭自動(dòng)化
  27. 2.13 從醫(yī)療衛(wèi)生檔案中提取醫(yī)療信息
  28. 2.14 自我優(yōu)化的智能云基礎(chǔ)設(shè)施
  29. 2.15 認(rèn)知式的預(yù)測(cè)性商業(yè)智能
  30. 2.16 培養(yǎng)下一代人工智能和機(jī)器學(xué)習(xí)開發(fā)者
  31. 2.17 使用量子計(jì)算實(shí)現(xiàn)大自然的操作系統(tǒng)
  32. 2.18 提升性能并節(jié)省開支
  33. 2.19 小結(jié)
  34. 第3章 自動(dòng)化機(jī)器學(xué)習(xí)
  35. 3.1 用SageMaker Autopilot實(shí)現(xiàn)自動(dòng)化機(jī)器學(xué)習(xí)
  36. 3.2 用SageMaker Autopilot跟蹤實(shí)驗(yàn)
  37. 3.3 用SageMaker Autopilot訓(xùn)練并部署文本分類器
  38. 3.4 用Amazon Comprehend實(shí)現(xiàn)自動(dòng)化機(jī)器學(xué)習(xí)
  39. 3.5 小結(jié)
  40. 第4章 將數(shù)據(jù)接入云
  41. 4.1 數(shù)據(jù)湖
  42. 4.2 用Amazon Athena查詢Amazon S3數(shù)據(jù)湖
  43. 4.3 用AWS Glue Crawler持續(xù)接入新數(shù)據(jù)
  44. 4.4 用Amazon Redshift Spectrum構(gòu)建數(shù)據(jù)湖倉(cāng)
  45. 4.5 在Amazon Athena和Amazon Redshift之間選擇
  46. 4.6 降低開銷并提升性能
  47. 4.7 小結(jié)
  48. 第5章 探索數(shù)據(jù)集
  49. 5.1 AWS上可用于瀏覽數(shù)據(jù)的工具
  50. 5.2 使用SageMaker Studio可視化數(shù)據(jù)湖
  51. 5.3 查詢數(shù)據(jù)倉(cāng)庫(kù)
  52. 5.4 使用Amazon QuickSight創(chuàng)建數(shù)據(jù)儀表
  53. 5.5 使用Amazon SageMaker和Apache Spark檢測(cè)數(shù)據(jù)質(zhì)量問題
  54. 5.6 數(shù)據(jù)集的偏差檢測(cè)
  55. 5.7 使用SageMaker Clarify檢測(cè)不同類別的數(shù)據(jù)偏移問題
  56. 5.8 使用AWS Glue DataBrew分析數(shù)據(jù)
  57. 5.9 節(jié)省開支并提升性能
  58. 5.10 小結(jié)
  59. 第6章 為模型訓(xùn)練準(zhǔn)備數(shù)據(jù)集
  60. 6.1 特征選擇和特征工程
  61. 6.2 使用SageMaker處理任務(wù)進(jìn)行規(guī)?；卣鞴こ?
  62. 6.3 通過(guò)SageMaker特征存儲(chǔ)（Feature Store）共享特征
  63. 6.4 使用SageMaker Data Wrangler接入并轉(zhuǎn)換數(shù)據(jù)
  64. 6.5 使用Amazon SageMaker追蹤構(gòu)件和實(shí)驗(yàn)譜系
  65. 6.6 使用AWS Glue DataBrew接入并轉(zhuǎn)換數(shù)據(jù)
  66. 6.7 小結(jié)
  67. 第7章 訓(xùn)練第一個(gè)模型
  68. 7.1 理解SageMaker基礎(chǔ)設(shè)施
  69. 7.2 使用SageMaker JumpStart部署預(yù)先訓(xùn)練的BERT模型
  70. 7.3 開發(fā)一個(gè)SageMaker模型
  71. 7.4 自然語(yǔ)言處理簡(jiǎn)史
  72. 7.5 BERT轉(zhuǎn)換器架構(gòu)
  73. 7.6 從頭訓(xùn)練BERT
  74. 7.7 微調(diào)預(yù)先訓(xùn)練的BERT模型
  75. 7.8 創(chuàng)建訓(xùn)練腳本
  76. 7.9 從SageMaker筆記本啟動(dòng)訓(xùn)練腳本
  77. 7.10 評(píng)估模型
  78. 7.11 使用SageMaker調(diào)試器調(diào)試和剖析模型訓(xùn)練
  79. 7.12 闡述和解釋模型預(yù)測(cè)
  80. 7.13 檢測(cè)模型偏差并解釋預(yù)測(cè)
  81. 7.14 BERT的更多訓(xùn)練選項(xiàng)
  82. 7.15 節(jié)省開支并提升性能
  83. 7.16 小結(jié)
  84. 第8章 規(guī)?；?xùn)練與優(yōu)化模型
  85. 8.1 自動(dòng)發(fā)現(xiàn)模型的最優(yōu)超參數(shù)
  86. 8.2 對(duì)額外的SageMaker超參數(shù)調(diào)優(yōu)任務(wù)應(yīng)用熱啟動(dòng)
  87. 8.3 使用SageMaker分布式訓(xùn)練擴(kuò)大訓(xùn)練規(guī)模
  88. 8.4 節(jié)省開支并提升性能
  89. 8.5 小結(jié)
  90. 第9章 部署模型到生產(chǎn)環(huán)境
  91. 9.1 選擇實(shí)時(shí)預(yù)測(cè)或批量預(yù)測(cè)
  92. 9.2 使用SageMaker Endpoints進(jìn)行實(shí)時(shí)預(yù)測(cè)
  93. 9.3 使用Amazon CloudWatch控制SageMaker Endpoints自動(dòng)伸縮
  94. 9.4 部署新模型與更新模型的策略
  95. 9.5 測(cè)試與比較新模型
  96. 9.6 模型性能監(jiān)控與漂移檢測(cè)
  97. 9.7 監(jiān)控已部署的SageMaker Endpoints數(shù)據(jù)質(zhì)量
  98. 9.8 監(jiān)控已部署的SageMaker Endpoints模型質(zhì)量
  99. 9.9 監(jiān)控已部署的SageMaker Endpoints偏差漂移
  100. 9.10 監(jiān)控已部署的SageMaker Endpoints特征歸因（Feature Attribution）漂移
  101. 9.11 使用SageMaker批量轉(zhuǎn)換進(jìn)行批量預(yù)測(cè)
  102. 9.12 AWS Lambda函數(shù)與Amazon API網(wǎng)關(guān)
  103. 9.13 優(yōu)化和管理邊緣模型
  104. 9.14 使用TorchServe部署PyTorch模型
  105. 9.15 使用AWS Deep Java庫(kù)進(jìn)行TensorFlow-BERT推理
  106. 9.16 節(jié)省開支并提升性能
  107. 9.17 小結(jié)
  108. 第10章 流水線和機(jī)器學(xué)習(xí)運(yùn)維
  109. 10.1 機(jī)器學(xué)習(xí)運(yùn)維
  110. 10.2 軟件流水線
  111. 10.3 機(jī)器學(xué)習(xí)流水線
  112. 10.4 使用SageMaker流水線進(jìn)行流水線編排
  113. 10.5 使用SageMaker流水線實(shí)現(xiàn)自動(dòng)化
  114. 10.6 更多流水線選項(xiàng)
  115. 10.7 人機(jī)回圈工作流
  116. 10.8 節(jié)省開支并提升性能
  117. 10.9 小結(jié)
  118. 第11章 流分析與機(jī)器學(xué)習(xí)
  119. 11.1 在線學(xué)習(xí)與離線學(xué)習(xí)
  120. 11.2 流應(yīng)用
  121. 11.3 對(duì)流數(shù)據(jù)實(shí)現(xiàn)窗口查詢
  122. 11.4 AWS上的流分析和機(jī)器學(xué)習(xí)
  123. 11.5 使用Amazon Kinesis，AWS Lambda和Amazon SageMaker進(jìn)行實(shí)時(shí)產(chǎn)品評(píng)價(jià)分類
  124. 11.6 使用Amazon Kinesis Data Firehose實(shí)現(xiàn)流數(shù)據(jù)接入
  125. 11.7 使用流分析匯總實(shí)時(shí)產(chǎn)品評(píng)價(jià)
  126. 11.8 設(shè)置Amazon Kinesis數(shù)據(jù)分析
  127. 11.9 Amazon Kinesis數(shù)據(jù)分析應(yīng)用
  128. 11.10 使用Apache Kafka，AWS Lambda和Amazon SageMaker進(jìn)行產(chǎn)品評(píng)價(jià)分類
  129. 11.11 節(jié)省開支并提升性能
  130. 11.12 小結(jié)
  131. 第12章 用AWS保證數(shù)據(jù)科學(xué)安全
  132. 12.1 AWS與客戶的責(zé)任共擔(dān)模型
  133. 12.2 應(yīng)用AWS身份和訪問管理（IAM）
  134. 12.3 隔離計(jì)算和網(wǎng)絡(luò)環(huán)境
  135. 12.4 安全訪問Amazon S3的數(shù)據(jù)
  136. 12.5 數(shù)據(jù)靜態(tài)加密
  137. 12.6 數(shù)據(jù)傳輸加密
  138. 12.7 安全使用SageMaker Notebook實(shí)例
  139. 12.8 安全使用SageMaker Studio
  140. 12.9 安全運(yùn)行SageMaker任務(wù)和模型
  141. 12.10 安全使用AWS Lake Formation
  142. 12.11 通過(guò)AWS加密信息管理服務(wù)安全使用數(shù)據(jù)庫(kù)憑據(jù)
  143. 12.12 治理
  144. 12.13 可審計(jì)性
  145. 12.14 節(jié)省開支并提升性能
  146. 12.15 小結(jié)
書名：基于AWS的數(shù)據(jù)科學(xué)實(shí)踐
譯者：孟然 譯
國(guó)內(nèi)出版社：中國(guó)電力出版社
出版時(shí)間：2022年10月
頁(yè)數(shù)：531
書號(hào)：978-7-5198-6966-3
原版書書名：Data Science on AWS
原版書出版商：O'Reilly Media
Chris Fregly
 
Chris Fregly是AWS的首席AI和機(jī)器學(xué)習(xí)開發(fā)者和布道者，居住在舊金山。他經(jīng)常在全世界的AI和機(jī)器學(xué)習(xí)會(huì)議上演講，包括O’Reilly AI Superstream系列。之前，Chris曾是PipelineAI的創(chuàng)建者，Databricks的解決方案工程師，以及Netflix的軟件工程師。
 
 
Antje Barth
 
Antje Barth是AWS的高級(jí)AI和機(jī)器學(xué)習(xí)開發(fā)者和倡導(dǎo)者，居住于德國(guó)杜塞爾多夫。Antje是“Women in Big Data”杜塞爾多夫分部的聯(lián)合創(chuàng)始人，她頻繁在全世界的AI和機(jī)器學(xué)習(xí)會(huì)議和聚會(huì)上演講。她同時(shí)也任職于O’Reilly AI Superstream大會(huì)并策劃內(nèi)容。
 
 
本書封面上的動(dòng)物是一只北方針尾鴨（學(xué)名：Anas acuta）。這些大型鴨子在繁殖季節(jié)（春夏）的北半球隨處可見，并在冬天遷徙至南半球。
北方針尾鴨具有性別二態(tài)性，只有雄性針尾鴨擁有標(biāo)志性的4英寸長(zhǎng)中央尾羽。一只正常的北方針尾鴨重約2磅，長(zhǎng)約21~25英寸。它們?cè)谝吧h(huán)境下可以存活超過(guò)20年。在春天，雌性生出7~9只奶油顏色的蛋，并在約3周左右孵化。這些鳥類最主要的食物是植物，如種子、根和谷物，以及一些動(dòng)物，包括昆蟲、軟體動(dòng)物和甲殼類動(dòng)物。
北方針尾鴨的種群數(shù)量有所下降，但世界自然保護(hù)聯(lián)盟瀕危物種紅色名錄（IUCN Red List）認(rèn)為該物種受到良好保護(hù)，將其歸類于“無(wú)?！保↙east Concern）。O’Reilly封皮上的許多動(dòng)物都是瀕危物種，所有這些動(dòng)物對(duì)于世界來(lái)說(shuō)都很重要。
購(gòu)買選項(xiàng)
定價(jià)：148.00元
書號(hào)：978-7-5198-6966-3
出版社：中國(guó)電力出版社