Știința datelor pe AWS: Implementarea de conducte de AI și de învățare automată continue, de la un capăt la altul

Recenzii ale cititorilor

Cartea oferă o introducere practică în AWS MLOps, oferind informații valoroase despre știința datelor în cloud-ul AWS. Este bine structurată și acoperă multe servicii AWS în mod cuprinzător. Cu toate acestea, unii cititori consideră capitolele de codificare neclare și calitatea slabă a imprimării. În timp ce unii laudă profunzimea și amploarea sa, alții critică lipsa de îndrumare practică și de organizare coerentă.

⬤ Bine scris și informativ
⬤ acoperă o gamă largă de servicii AWS
⬤ oferă cunoștințe practice și un echilibru bun între explicații și cod
⬤ bogat în conținut pentru preț
⬤ depozit de cod menținut activ
⬤ util pentru înțelegerea proceselor de învățare automată end-to-end pe AWS.

⬤ Unele capitole sunt neclare și nu sunt practice
⬤ calitate slabă a imprimării (alb-negru, hârtie de calitate slabă)
⬤ lipsește o structură coerentă și instrucțiuni detaliate pas cu pas
⬤ unii cititori au primit exemplare folosite sau uzate
⬤ nu ghidează cititorii în utilizarea serviciilor AWS așa cum se așteaptă
⬤ considerat superficial pentru preț.

(pe baza a 25 recenzii ale cititorilor)

Titlul original:

Data Science on AWS: Implementing End-To-End, Continuous AI and Machine Learning Pipelines

Conținutul cărții:

Cu această carte practică, practicienii AI și machine learning vor învăța cum să construiască și să implementeze cu succes proiecte de știința datelor pe Amazon Web Services. Stiva Amazon AI și machine learning unifică știința datelor, ingineria datelor și dezvoltarea aplicațiilor pentru a vă ajuta să vă ridicați nivelul competențelor. Acest ghid vă arată cum să construiți și să rulați conducte în cloud, apoi să integrați rezultatele în aplicații în câteva minute în loc de zile. De-a lungul cărții, autorii Chris Fregly și Antje Barth demonstrează cum să reduceți costurile și să îmbunătățiți performanța.

⬤ Aplicați stiva Amazon AI și ML la cazuri reale de utilizare pentru procesarea limbajului natural, viziune computerizată, detectarea fraudelor, dispozitive conversaționale și multe altele.

⬤ Utilizați învățarea automată a mașinilor pentru a implementa un subset specific de cazuri de utilizare cu SageMaker Autopilot.

⬤ Explorați în profunzime ciclul de viață complet al dezvoltării modelului pentru un caz de utilizare NLP bazat pe BERT, inclusiv ingestia datelor, analiza, formarea modelului și implementarea.

⬤ Să legați totul împreună într-o conductă repetabilă de operațiuni de învățare automată.

⬤ Explorați ML în timp real, detectarea anomaliilor și analizele de streaming pe fluxuri de date cu Amazon Kinesis și Managed Streaming pentru Apache Kafka.

⬤ Învățați cele mai bune practici de securitate pentru proiectele și fluxurile de lucru din domeniul științei datelor, inclusiv gestionarea identității și accesului, autentificarea, autorizarea și multe altele.