Scienza dei dati su AWS: Implementazione di pipeline continue di intelligenza artificiale e apprendimento automatico end-to-end

Recensioni dei lettori

Il libro fornisce un'introduzione pratica a AWS MLOps, offrendo preziose indicazioni sulla scienza dei dati nel cloud AWS. È ben strutturato e copre in modo esauriente molti servizi AWS. Tuttavia, alcuni lettori trovano i capitoli sulla codifica poco chiari e la qualità di stampa scarsa. Mentre alcuni ne lodano la profondità e l'ampiezza, altri criticano la mancanza di indicazioni pratiche e di un'organizzazione coerente.

⬤ Ben scritto e informativo
⬤ copre un'ampia gamma di servizi AWS
⬤ fornisce conoscenze pratiche e un buon equilibrio tra spiegazioni e codice
⬤ ricco di contenuti per il prezzo
⬤ repository di codice mantenuto attivamente
⬤ utile per comprendere i processi di apprendimento automatico end-to-end su AWS.

⬤ Alcuni capitoli sono poco chiari e poco pratici
⬤ scarsa qualità di stampa (bianco e nero, carta di bassa qualità)
⬤ manca di una struttura coerente e di istruzioni dettagliate passo-passo
⬤ alcuni lettori hanno ricevuto copie usate o usurate
⬤ non guida i lettori nell'uso dei servizi AWS come ci si aspettava
⬤ considerato superficiale per il prezzo.

(basato su 25 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Con questo libro pratico, i professionisti dell'intelligenza artificiale e dell'apprendimento automatico impareranno come costruire e distribuire con successo progetti di scienza dei dati su Amazon Web Services. Lo stack Amazon AI e machine learning unifica scienza dei dati, ingegneria dei dati e sviluppo di applicazioni per aiutarvi a migliorare le vostre competenze. Questa guida mostra come costruire ed eseguire pipeline nel cloud, per poi integrare i risultati nelle applicazioni in pochi minuti invece che in giorni. Nel corso del libro, gli autori Chris Fregly e Antje Barth dimostrano come ridurre i costi e migliorare le prestazioni.

⬤ Applicare lo stack Amazon AI e ML a casi d'uso reali per l'elaborazione del linguaggio naturale, la computer vision, il rilevamento delle frodi, i dispositivi di conversazione e altro ancora.

⬤ Utilizzare l'apprendimento automatico per implementare un sottoinsieme specifico di casi d'uso con SageMaker Autopilot.

⬤ Approfondite il ciclo di vita completo dello sviluppo del modello per un caso d'uso NLP basato su BERT, tra cui l'ingestione dei dati, l'analisi, l'addestramento del modello e la distribuzione.

⬤ Collegate tutto in una pipeline di operazioni di apprendimento automatico ripetibili.

⬤ Esplorate il ML in tempo reale, il rilevamento delle anomalie e l'analisi in streaming sui flussi di dati con Amazon Kinesis e Managed Streaming per Apache Kafka.

⬤ Imparare le best practice di sicurezza per i progetti e i flussi di lavoro della scienza dei dati, tra cui la gestione delle identità e degli accessi, l'autenticazione, l'autorizzazione e altro ancora.