Értékelés:
A könyv gyakorlati bevezetést nyújt az AWS MLOps-ba, és értékes betekintést nyújt az AWS felhőalapú adattudományba. Jól strukturált, és számos AWS-szolgáltatást átfogóan tárgyal. Egyes olvasók azonban a kódolási fejezeteket nem találják egyértelműnek, a nyomtatás minősége pedig gyenge. Míg egyesek dicsérik a mélységét és szélességét, mások a gyakorlati útmutatás és a koherens szervezés hiányát kritizálják.
Előnyök:⬤ Jól megírt és informatív
⬤ az AWS-szolgáltatások széles körét lefedi
⬤ gyakorlati ismereteket nyújt, és jó egyensúlyt teremt a magyarázatok és a kód között
⬤ árához képest gazdag tartalom
⬤ aktívan karbantartott kódtár
⬤ hasznos az AWS-en végponttól végpontig tartó gépi tanulási folyamatok megértéséhez.
⬤ Egyes fejezetek nem egyértelműek és nem gyakorlatiasak
⬤ gyenge nyomtatási minőség (fekete-fehér, rossz minőségű papír)
⬤ hiányzik a koherens szerkezet és a részletes lépésről lépésre történő útmutatás
⬤ egyes olvasók használt vagy elhasználódott példányokat kaptak
⬤ nem az elvárásoknak megfelelően vezeti végig az olvasót az AWS szolgáltatások használatán
⬤ az árához képest felszínesnek tekinthető.
(25 olvasói vélemény alapján)
Data Science on AWS: Implementing End-To-End, Continuous AI and Machine Learning Pipelines
Ebből a gyakorlatias könyvből a mesterséges intelligencia és a gépi tanulás szakemberei megtanulják, hogyan építhetnek és telepíthetnek sikeresen adattudományi projekteket az Amazon Web Services-en. Az Amazon AI és gépi tanulás stack egyesíti az adattudományt, az adatmérnökséget és az alkalmazásfejlesztést, hogy segítsen a készségek szintre emelésében. Ez az útmutató megmutatja, hogyan építhet és futtathat csővezetékeket a felhőben, majd az eredményeket napok helyett percek alatt integrálhatja az alkalmazásokba. A könyvben a szerzők, Chris Fregly és Antje Barth végig bemutatják, hogyan csökkenthetők a költségek és javítható a teljesítmény.
⬤ Az Amazon AI- és ML-csomagot valós felhasználási esetekben alkalmazza a természetes nyelvfeldolgozás, a számítógépes látás, a csalásfelismerés, a társalgási eszközök és sok más területen.
⬤ Az automatizált gépi tanulás alkalmazása a felhasználási esetek egy adott részhalmazának megvalósításához a SageMaker Autopilot segítségével.
⬤ Mélyüljön el egy BERT-alapú NLP felhasználási eset teljes modellfejlesztési életciklusában, beleértve az adatbevitelt, az elemzést, a modellképzést és a telepítést.
⬤ Kössön össze mindent egy megismételhető gépi tanulási műveleti csővezetékké.
⬤ Tapasztalja meg a valós idejű ML-t, az anomália-felismerést és a streaming analitikát adatfolyamokon az Amazon Kinesis és az Apache Kafka Managed Streaming for Apache Kafka segítségével.
⬤ Tanulja meg az adattudományi projektek és munkafolyamatok legjobb biztonsági gyakorlatait, beleértve a személyazonosság- és hozzáférés-kezelést, hitelesítést, engedélyezést és egyebeket.
