Bewertung:
Das Buch bietet eine praktische Einführung in AWS MLOps und bietet wertvolle Einblicke in die Datenwissenschaft in der AWS-Cloud. Es ist gut gegliedert und deckt viele AWS-Dienste umfassend ab. Einige Leser finden jedoch die Kodierungskapitel unklar und die Druckqualität schlecht. Während einige die Tiefe und Breite des Buches loben, kritisieren andere den Mangel an praktischen Anleitungen und einer kohärenten Organisation.
Vorteile:⬤ Gut geschrieben und informativ
⬤ deckt eine breite Palette von AWS-Services ab
⬤ bietet praktisches Wissen und eine gute Balance zwischen Erklärungen und Code
⬤ reichhaltiger Inhalt für den Preis
⬤ aktiv gepflegtes Code-Repository
⬤ hilfreich für das Verständnis von End-to-End-Machine-Learning-Prozessen auf AWS.
⬤ Einige Kapitel sind unklar und nicht praktisch
⬤ schlechte Druckqualität (schwarz-weiß, minderwertiges Papier)
⬤ es fehlt eine kohärente Struktur und detaillierte Schritt-für-Schritt-Anweisungen
⬤ einige Leser erhielten gebrauchte oder abgenutzte Exemplare
⬤ führt die Leser nicht wie erwartet durch die Nutzung von AWS-Diensten
⬤ für den Preis als oberflächlich angesehen.
(basierend auf 25 Leserbewertungen)
Data Science on AWS: Implementing End-To-End, Continuous AI and Machine Learning Pipelines
Mit diesem praktischen Buch lernen KI- und Machine-Learning-Experten, wie sie erfolgreich Data-Science-Projekte auf Amazon Web Services aufbauen und bereitstellen können. Der Amazon AI- und Machine Learning-Stack vereint Data Science, Data Engineering und Anwendungsentwicklung, um Ihre Fähigkeiten zu verbessern. Dieser Leitfaden zeigt Ihnen, wie Sie Pipelines in der Cloud erstellen und ausführen und dann die Ergebnisse innerhalb von Minuten statt Tagen in Anwendungen integrieren können. Im gesamten Buch zeigen die Autoren Chris Fregly und Antje Barth, wie Sie Kosten reduzieren und die Leistung verbessern können.
⬤ Wenden Sie den Amazon AI- und ML-Stack auf reale Anwendungsfälle für die Verarbeitung natürlicher Sprache, Computer Vision, Betrugserkennung, Conversational Devices und mehr an.
⬤ Verwenden Sie automatisiertes maschinelles Lernen, um eine bestimmte Teilmenge von Anwendungsfällen mit SageMaker Autopilot zu implementieren.
⬤ Vertiefen Sie sich in den kompletten Lebenszyklus der Modellentwicklung für einen BERT-basierten NLP-Anwendungsfall, einschließlich Dateneingabe, Analyse, Modelltraining und Einsatz.
⬤ Verknüpfen Sie alles zu einer wiederholbaren Pipeline für maschinelles Lernen.
⬤ Erforschen Sie Echtzeit-ML, Anomalieerkennung und Streaming-Analysen für Datenströme mit Amazon Kinesis und Managed Streaming für Apache Kafka.
⬤ Lernen Sie bewährte Sicherheitspraktiken für Data-Science-Projekte und -Workflows kennen, einschließlich Identitäts- und Zugriffsmanagement, Authentifizierung, Autorisierung und mehr.
| ISBN: | 9781492079392 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 400 |
Derzeit verfügbar, auf Lager.
