同類熱銷排行榜

數據工程師必備的雲計算技術/雲計算與虛擬化技術叢書

作者：(美)挪亞·吉夫特|責編:王春華//孫榕舒|譯者:劉紅泉
出版社：機械工業
ISBN：9787111690719

出版日期：2021/09/01
裝幀：平裝
頁數：188

人民幣：RMB 69 元售價：元

內容大鋼

    本書基於一流大學的教學材料，以項目為基礎，全面介紹如何將雲計算應用於數據分析，內容涵蓋大數據和機器學習。
    通過閱讀本書，你不僅能掌握非同步技術和雲計算基礎知識，還能了解虛擬化、容器化和彈性化。你還將學習分散式計算、無伺服器ETL技術和可管理的機器學習系統。作者通過數據科學案例研究演示了如何將數據分析技術應用於實踐，還分享了一些見解以及對職業規劃的建議。書中包含大量實踐作業，使用了豐富的資源，包括Python在雲平台（谷歌、AWS、Azure）上的互動式實驗室。
    本書將理論與實踐相結合，是雲計算、數據分析專業學生和研究人員必不可少的參考書。

作者介紹

(美)挪亞·吉夫特|責編:王春華//孫榕舒|譯者:劉紅泉
挪亞·吉夫特（Noah Gift）是加州大學戴維斯分校研究生院工商管理碩士項目專業講師及顧問。他講授研究生機器學習課程，為學生和教師提供機器學習和雲架構方面的咨詢。他發表了近100篇技術出版物，包括雲端機器學習和開發運維專題方面的兩本書籍。Gift是擁有AWS認證的解決方案架構師，同時也是AWS雲端機器學習專家，他幫助創建了AWS雲端機器學習專業方向的認證。Gift曾獲得加州大學戴維斯分校工商管理碩士學位、加州州立大學洛杉磯分校電腦信息系統碩士學位以及聖路易斯一奧比斯波的加州州立理工大學營養科學學士學位。 Noah Gift有近20年Python職業編程經驗，是Python軟體基金會會士。他曾擔任CTO、總經理、咨詢CTO和雲架構師等職位，也有在ABC、加州理工學院、Sony圖像工作室、Disney動畫、Weta數碼、AT&T、Turner工作室和Linden實驗室等多家機構從業的經歷。在過去10年中，他負責了多家公司的新產品發布，這些新產品在全球範圍內創造了數百萬美元收益。目前，他是Pragmatic AI Labs公司創始人，該公司旨在為初創公司等提供機器學習、雲架構和CTO級別的咨詢服務。

前言
第1章  開始
  1.1  有效的非同步技術討論
    1.1.1  可複製代碼
    1.1.2  音頻、視頻和圖像
    1.1.3  製作一次，重複使用多次
    1.1.4  技術討論作為一種主動學習的形式
    1.1.5  結論
    1.1.6  練習：創造技術性帖子
  1.2  有效的非同步技術項目管理
    1.2.1  為什麼軟體項目失敗了
    1.2.2  如何按時交付高質量的軟體
    1.2.3  其他高失敗率的例子
    1.2.4  練習：為最終項目創建一個技術項目計劃
  1.3  上AWS、GCP和Azure雲
    1.3.1  AWS
    1.3.2  微軟的Azure
    1.3.3  GCP
    1.3.4  練習：設置CI雲
    1.3.5  練習：上雲實驗室
    1.3.6  高級案例研究：使用Docker和CircleCI從零開始建立雲環境持續集成
    1.3.7  使用Docker容器來擴展Makefile的使用
  1.4  總結
  1.5  其他相關資源
第2章  雲計算基礎
  2.1  為什麼應該考慮使用基於雲的開發環境
  2.2  雲計算概述
    2.2.1  雲計算的經濟效益
    2.2.2  雲服務模型：SaaS、PaaS、IaaS、MaaS、Serverless
  2.3  PaaS持續交付
    2.3.1  谷歌應用引擎和雲構建持續交付
    2.3.2  建立多種類型的網站
    2.3.3  練習：創建四個網站
  2.4  基礎設施即代碼
  2.5  什麼是持續交付和持續部署
  2.6  從零開始持續交付Hugo靜態站點
  2.7  總結
第3章  虛擬化、容器化和彈性化
  3.1  彈性資源
  3.2  容器：Docker
    3.2.1  Docker入門
    3.2.2  容器的真實例子
    3.2.3  運行Docker容器
    3.2.4  容器註冊表
    3.2.5  在AWS Cloud9上從零開始構建容器化應用
    3.2.6  練習：在AWS Cloud9中構建Hello World容器
  3.3  Kubernetes
    3.3.1  安裝Kubernetes
    3.3.2  Kubernetes概述
    3.3.3  自動伸縮的Kubernetes

    3.3.4  雲中的Kubernetes
    3.3.5  混合雲和多雲Kubernetes
    3.3.6  Kubernetes總結
  3.4  運行微服務概述
    3.4.1  創建有效的報警
    3.4.2  Prometheus入門
    3.4.3  使用Flask創建Locust負載測試
    3.4.4  微服務的無伺服器最佳實踐、災難恢復和備份
  3.5  練習：運行Kubernetes Engine
  3.6  總結
第4章  分散式計算的挑戰和機遇
  4.1  最終一致性
  4.2  CAP定理
  4.3  阿姆達爾定律
  4.4  彈性
  4.5  高可用
  4.6  摩爾定律的終結
  4.7  ASIC：GPU、TPU、FPGA
    4.7.1  ASIC、CPU與GPU
    4.7.2  使用GPU和JIT
    4.7.3  練習：GPU編程
  4.8  總結
第5章  雲存儲
  5.1  雲存儲類型
  5.2  數據治理
  5.3  雲資料庫
  5.4  鍵-值資料庫
  5.5  圖形資料庫
    5.5.1  為什麼不是關係型資料庫而是圖形資料庫
    5.5.2  AWS Neptune
    5.5.3  Neo4j
    5.5.4  大數據的三個「V」
  5.6  批處理數據與流數據和機器學習
  5.7  雲數據倉庫
  5.8  GCP BigQuery
  5.9  AWS Redshift
    5.9.1  Redshift工作流中的關鍵操作
    5.9.2  AWS Redshift總結
  5.10  總結
第6章  無伺服器ETL技術
  6.1  AWS Lambda
  6.2  使用AWS Cloud9開發AWS Lambda函數
    6.2.1  構建一個API
    6.2.2  構建一個無伺服器數據工程管道
    6.2.3  使用AWS Lambda在AWS S3桶上實現電腦視覺
    6.2.4  練習：AWS Lambda Step Function
  6.3  函數即服務
  6.4  AWS Lambda的Chalice框架
  6.5  谷歌雲函數
  6.6  Azure Flask無伺服器機器學習

  6.7  Cloud ETL
  6.8  使用ETL從零開始構建社交網路的現實問題
    6.8.1  冷啟動問題
    6.8.2  從零開始構建社交網路機器學習管道
    6.8.3  案例研究：如何構建一個新聞提要
  6.9  總結
第7章  可管理的機器學習系統
  7.1  Jupyter Notebook工作流
  7.2  AWS Sagemaker概述
    7.2.1  AWS Sagemaker彈性架構
    7.2.2  練習：使用Sagemaker
  7.3  Azure ML Studio概述
  7.4  谷歌AutoML電腦視覺
  7.5  總結
第8章  數據科學案例研究和項目
第9章  隨筆
  9.1  為什麼在2029年前將不會有數據科學這個職位
  9.2  利用教育的拆分
  9.3  垂直集成的AI棧將如何影響IT機構
  9.4  notebook來了
  9.5  雲原生機器學習和AI
  9.6  到2021年會培訓100萬人
    9.6.1  高等教育的現狀將會被打破
    9.6.2  地方就業市場將會被打破
    9.6.3  招聘流程的打破
    9.6.4  為什麼學習雲計算不同於學習編程
  9.7  總結
第10章  職業規劃
  10.1  成為三項全能選手才能獲得一份工作
  10.2  如何為數據科學和機器學習工程建立作品集
  10.3  如何學習
  10.4  pear收益策略
  10.5  遠程優先（掌握非同步工作）
  10.6  找工作：不要攻城拔寨，要走邊門
結語

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

數據工程師必備的雲計算技術/雲計算與虛擬化技術叢書