同類熱銷排行榜

基於AWS的數據科學實踐

作者：(美)克里斯·弗雷格利//安傑·巴斯|責編:劉熾|譯者:孟然
出版社：中國電力
ISBN：9787519869663

出版日期：2022/09/01
裝幀：平裝
頁數：531

人民幣：RMB 148 元售價：元

內容大鋼

    通過閱讀這本實用手冊，人工智慧（AI）和機器學習（ML）從業者將會學習如何在Amazon網路服務（AWS）上成功構件並部署數據科學項目。Amazon AI和ML服務棧將數據科學、數據工程和應用開發統一在一起，來幫助你提升技能。這本手冊向你展示如何在雲上搭建和運行流水線，並將運行結果在幾分鐘內（而不是幾天）集成到應用中。此外，本書作者還在全書各個章節點明了降低開銷並提升性能的方法。
    將Amazon AI和ML服務棧應用到真實世界的應用場景，如自然語言處理、電腦視覺、欺詐檢測、對話式設備等。
    使用Amazon SageMaker Autopilot，通過自動化機器學習（AutoML）實現特定應用場景的子集。
    深入理解一個基於BERT的自然語言處理場景的模型開發的完整生命周期，包括數據接入、數據分析以及更多。
    將所有組件包裝成一個可重複的機器學習運維流水線。
    通過Amazon Kinesis和Amazon Managed Streaming for Apache Kafka（MSK），在實時數據流中探索實時機器學習、異常檢測和流分析。
    了解數據科學項目和工作流中的最佳安全實踐，包括在數據接入和分析、模型訓練和部署過程中應用AWS Identity and Access Management（IAM）、鑒權、授權。

作者介紹

(美)克里斯·弗雷格利//安傑·巴斯|責編:劉熾|譯者:孟然

前言
第1章  基於AWS的數據科學概述
  1.1  雲計算的益處
  1.2  數據科學流水線與工作流
  1.3  機器學習運維最佳實踐
  1.4  使用Amazon SageMaker實現Amazon人工智慧服務和機器學習自動化
  1.5  在AWS上實現數據接入、探索與準備
  1.6  使用Amazon SageMaker訓練和調試模型
  1.7  使用Amazon SageMaker和AWS Lambda函數部署模型
  1.8  AWS上的流分析和機器學習
  1.9  AWS基礎設施和定製化硬體
  1.10  使用標籤、預算和告警減少開銷
  1.11  小結
第2章  數據科學的應用場景
  2.1  在每個行業實現創新
  2.2  個性化產品推薦
  2.3  使用Amazon Rekognition檢測不當視頻
  2.4  需求預測
  2.5  使用Amazon Fraud Detector識別虛假賬號
  2.6  使用Amazon Macie檢測隱私泄漏
  2.7  對話裝置和語音助手
  2.8  文本分析和自然語言處理
  2.9  認知式搜索和自然語言理解
  2.10  智能客戶支持中心
  2.11  工業人工智慧服務和預測性維護
  2.12  使用AWS IoT和Amazon SageMaker實現家庭自動化
  2.13  從醫療衛生檔案中提取醫療信息
  2.14  自我優化的智能雲基礎設施
  2.15  認知式的預測性商業智能
  2.16  培養下一代人工智慧和機器學習開發者
  2.17  使用量子計算實現大自然的操作系統
  2.18  提升性能並節省開支
  2.19  小結
第3章  自動化機器學習
  3.1  用SageMaker Autopilot實現自動化機器學習
  3.2  用SageMaker Autopilot跟蹤實驗
  3.3  用SageMaker Autopilot訓練並部署文本分類器
  3.4  用Amazon Comprehend實現自動化機器學習
  3.5  小結
第4章  將數據接入雲
  4.1  數據湖
  4.2  用Amazon Athena查詢Amazon S3數據湖
  4.3  用AWS Glue Crawler持續接入新數據
  4.4  用Amazon Redshift Spectrum構建數據湖倉
  4.5  在Amazon Athena和Amazon Redshift之間選擇
  4.6  降低開銷並提升性能
  4.7  小結
第5章  探索數據集
  5.1  AWS上可用於瀏覽數據的工具
  5.2  使用SageMaker Studio可視化數據湖

  5.3  查詢數據倉庫
  5.4  使用Amazon QuickSight創建數據儀錶
  5.5  使用Amazon SageMaker和Apache Spark檢測數據質量問題
  5.6  數據集的偏差檢測
  5.7  使用SageMaker Clarify檢測不同類別的數據偏移問題
  5.8  使用AWS Glue DataBrew分析數據
  5.9  節省開支並提升性能
  5.10  小結
第6章  為模型訓練準備數據集
  6.1  特徵選擇和特徵工程
  6.2  使用SageMaker處理任務進行規模化特徵工程
  6.3  通過SageMaker特徵存儲（Feature Store）共享特徵
  6.4  使用SageMaker Data Wrangler接入並轉換數據
  6.5  使用Amazon SageMaker追蹤構件和實驗譜系
  6.6  使用AWS Glue DataBrew接入並轉換數據
  6.7  小結
第7章  訓練第一個模型
  7.1  理解SageMaker 基礎設施
  7.2  使用SageMaker JumpStart 部署預先訓練的BERT模型
  7.3  開發一個SageMaker模型
  7.4  自然語言處理簡史
  7.5  BERT轉換器架構
  7.6  從頭訓練BERT
  7.7  微調預先訓練的BERT模型
  7.8  創建訓練腳本
  7.9  從SageMaker筆記本啟動訓練腳本
  7.10  評估模型
  7.11  使用SageMaker 調試器調試和剖析模型訓練
  7.12  闡述和解釋模型預測
  7.13  檢測模型偏差並解釋預測
  7.14  BERT的更多訓練選項
  7.15  節省開支並提升性能
  7.16  小結
第8章  規模化訓練與優化模型
  8.1  自動發現模型的最優超參數
  8.2  對額外的SageMaker超參數調優任務應用熱啟動
  8.3  使用 SageMaker分散式訓練擴大訓練規模
  8.4  節省開支並提升性能
  8.5  小結
第9章  部署模型到生產環境
  9.1  選擇實時預測或批量預測
  9.2  使用SageMaker Endpoints進行實時預測
  9.3  使用 Amazon CloudWatch控制SageMaker Endpoints自動伸縮
  9.4  部署新模型與更新模型的策略
  9.5  測試與比較新模型
  9.6  模型性能監控與漂移檢測
  9.7  監控已部署的SageMaker Endpoints數據質量
  9.8  監控已部署的 SageMaker Endpoints模型質量
  9.9  監控已部署的SageMaker Endpoints偏差漂移
  9.10  監控已部署的SageMaker Endpoints特徵歸因（Feature Attribution）漂移

  9.11  使用SageMaker批量轉換進行批量預測
  9.12  AWS Lambda函數與Amazon API網關
  9.13  優化和管理邊緣模型
  9.14  使用TorchServe部署PyTorch模型
  9.15  使用AWS Deep Java庫進行 TensorFlow-BERT推理
  9.16  節省開支並提升性能
  9.17  小結
第10章  流水線和機器學習運維
  10.1  機器學習運維
  10.2  軟體流水線
  10.3  機器學習流水線
  10.4  使用SageMaker 流水線進行流水線編排
  10.5  使用SageMaker 流水線實現自動化
  10.6  更多流水線選項
  10.7  人機迴圈工作流
  10.8  節省開支並提升性能
  10.9  小結
第11章  流分析與機器學習
  11.1  在線學習與離線學習
  11.2  流應用
  11.3  對流數據實現窗口查詢
  11.4  AWS上的流分析和機器學習
  11.5  使用Amazon Kinesis,AWS Lambda和Amazon SageMaker進行實時產品評價分類
  11.6  使用Amazon Kinesis Data Firehose實現流數據接入
  11.7  使用流分析匯總實時產品評價
  11.8  設置 Amazon Kinesis數據分析
  11.9  Amazon Kinesis數據分析應用
  11.10  使用Apache Kafka,AWS Lambda和Amazon SageMaker進行產品評價分類
  11.11  節省開支並提升性能
  11.12  小結
第12章  用AWS保證數據科學安全
  12.1  AWS與客戶的責任共擔模型
  12.2  應用AWS身份和訪問管理（IAM）
  12.3  隔離計算和網路環境
  12.4  安全訪問Amazon S3的數據
  12.5  數據靜態加密
  12.6  數據傳輸加密
  12.7  安全使用SageMaker Notebook實例
  12.8  安全使用 SageMaker Studio
  12.9  安全運行SageMaker任務和模型
  12.10  安全使用AWS Lake Formation
  12.11  通過AWS加密信息管理服務安全使用資料庫憑據
  12.12  治理
  12.13  可審計性
  12.14  節省開支並提升性能
  12.15  小結

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

基於AWS的數據科學實踐