0 رای
وضعیت موجودی موجود

قیمت قبلی: 4,860,000 ریال
قیمت: 4,460,000 ریال

 



جلد سخت سیاه و سفید

Product details

  • Publisher ‏ : ‎ Packt Publishing (March 31, 2022)
  • Language ‏ : ‎ English
  • Paperback ‏ : ‎ 326 pages
  • ISBN-10 ‏ : ‎ 1801070156
  • ISBN-13 ‏ : ‎ 978-1801070157


 

کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE

Build production-grade machine learning models with Amazon SageMaker Studio, the first integrated development environment in the cloud, using real-life machine learning examples and code

Key Features

  • Understand the ML lifecycle in the cloud and its development on Amazon SageMaker Studio
  • Learn to apply SageMaker features in SageMaker Studio for ML use cases
  • Scale and operationalize the ML lifecycle effectively using SageMaker Studio

Book Description

Amazon SageMaker Studio is the first integrated development environment (IDE) for machine learning (ML) and is designed to integrate ML workflows: data preparation, feature engineering, statistical bias detection, automated machine learning (AutoML), training, hosting, ML explainability, monitoring, and MLOps in one environment.

In this book, you'll start by exploring the features available in Amazon SageMaker Studio to analyze data, develop ML models, and productionize models to meet your goals. As you progress, you will learn how these features work together to address common challenges when building ML models in production. After that, you'll understand how to effectively scale and operationalize the ML life cycle using SageMaker Studio.

By the end of this book, you'll have learned ML best practices regarding Amazon SageMaker Studio, as well as being able to improve productivity in the ML development life cycle and build and deploy models easily for your ML use cases.

What you will learn

  • Explore the ML development life cycle in the cloud
  • Understand SageMaker Studio features and the user interface
  • Build a dataset with clicks and host a feature store for ML
  • Train ML models with ease and scale
  • Create ML models and solutions with little code
  • Host ML models in the cloud with optimal cloud resources
  • Ensure optimal model performance with model monitoring
  • Apply governance and operational excellence to ML projects

Who this book is for

This book is for data scientists and machine learning engineers who are looking to become well-versed with Amazon SageMaker Studio and gain hands-on machine learning experience to handle every step in the ML lifecycle, including building data as well as training and hosting models. Although basic knowledge of machine learning and data science is necessary, no previous knowledge of SageMaker Studio and cloud experience is required.

Table of Contents

  1. Machine Learning and Its Life Cycle in the Cloud
  2. Introducing Amazon SageMaker Studio
  3. Data Preparation with SageMaker Data Wrangler
  4. Building a Feature Repository with SageMaker Feature Store
  5. Building and Training ML Models with SageMaker Studio IDE
  6. Detecting ML Bias and Explaining Models with SageMaker Clarify
  7. Hosting ML Models in the Cloud: Best Practices
  8. Jumpstarting ML with SageMaker JumpStart and Autopilot
  9. Training ML Models at Scale in SageMaker Studio
  10. Monitoring ML Models in Production with SageMaker Model Monitor
  11. Operationalize ML Projects with SageMaker Projects, Pipelines and Model Registry

منابع کتاب کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE

ساخت مدل‌های یادگیری ماشینی درجه تولید با Amazon SageMaker Studio، اولین محیط توسعه یکپارچه در فضای ابری، با استفاده از نمونه‌ها و کدهای یادگیری ماشینی واقعی

ویژگی های کلیدی

  • چرخه حیات ML در ابر و توسعه آن در Amazon SageMaker Studio را بدانید
  • آموزش استفاده از ویژگی های SageMaker در SageMaker Studio برای موارد استفاده ML
  • با استفاده از SageMaker Studio، چرخه حیات ML را مقیاس و عملیاتی کنید

توضیحات کتاب

Amazon SageMaker Studio اولین محیط توسعه یکپارچه (IDE) برای یادگیری ماشینی (ML) است و برای ادغام جریان های کاری ML طراحی شده است: آماده سازی داده ها، مهندسی ویژگی ها، تشخیص سوگیری آماری، یادگیری ماشین خودکار (AutoML)، آموزش، میزبانی، قابلیت توضیح ML، نظارت و MLO ها در یک محیط.

در این کتاب، شما با بررسی ویژگی‌های موجود در Amazon SageMaker Studio برای تجزیه و تحلیل داده‌ها، توسعه مدل‌های ML و تولید مدل‌هایی برای رسیدن به اهداف خود شروع می‌کنید. همانطور که پیشرفت می کنید، خواهید آموخت که چگونه این ویژگی ها با هم کار می کنند تا به چالش های رایج در هنگام ساخت مدل های ML در تولید رسیدگی کنند. پس از آن، خواهید فهمید که چگونه می توانید چرخه زندگی ML را با استفاده از SageMaker Studio به طور موثر مقیاس و عملیاتی کنید.

در پایان این کتاب، بهترین روش‌های ML را در رابطه با Amazon SageMaker Studio و همچنین قادر به بهبود بهره‌وری در چرخه عمر توسعه ML و ساخت و استقرار مدل‌ها به راحتی برای موارد استفاده ML خود خواهید آموخت.

آنچه خواهید آموخت

  • چرخه عمر توسعه ML را در ابر کاوش کنید
  • ویژگی های SageMaker Studio و رابط کاربری را درک کنید
  • یک مجموعه داده با کلیک بسازید و یک فروشگاه ویژگی برای ML میزبانی کنید
  • مدل های ML را با سهولت و مقیاس آموزش دهید
  • مدل ها و راه حل های ML را با کد کمی ایجاد کنید
  • میزبانی مدل های ML در ابر با منابع ابری بهینه
  • از عملکرد بهینه مدل با نظارت بر مدل اطمینان حاصل کنید
  • اعمال حاکمیت و تعالی عملیاتی در پروژه های ML

این کتاب برای چه کسی است

این کتاب برای دانشمندان داده و مهندسان یادگیری ماشینی است که به دنبال آشنایی کامل با Amazon SageMaker Studio و کسب تجربه عملی یادگیری ماشین برای انجام هر مرحله در چرخه حیات ML، از جمله ساخت داده‌ها و همچنین آموزش و مدل‌های میزبانی هستند. اگرچه دانش اولیه یادگیری ماشین و علم داده ضروری است، هیچ دانش قبلی از SageMaker Studio و تجربه ابری لازم نیست.

فهرست مطالب

  1. یادگیری ماشینی و چرخه زندگی آن در ابر
  2. معرفی Amazon SageMaker Studio
  3. آماده سازی داده ها با SageMaker Data Wrangler
  4. ساخت یک مخزن ویژگی با فروشگاه ویژگی SageMaker
  5. ساخت و آموزش مدل های ML با SageMaker Studio IDE
  6. تشخیص تعصب ML و توضیح مدل ها با SageMaker Clarify
  7. میزبانی مدل های ML در فضای ابری: بهترین روش ها
  8. Jumpstarting ML با SageMaker JumpStart و Autopilot
  9. آموزش مدل های ML در مقیاس در SageMaker Studio
  10. نظارت بر مدل‌های ML در تولید با SageMaker Model Monitor
  11. پروژه های ML را با پروژه های SageMaker، خطوط لوله و رجیستری مدل عملیاتی کنید

نظرات کاربران درباره کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE

نظری در مورد این محصول توسط کاربران ارسال نگردیده است.
اولین نفری باشید که در مورد کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE نظر می دهد.

ارسال نظر درباره کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE

لطفا توجه داشته باشید که ایمیل شما منتشر نخواهد شد.

برچسب های مرتبط با کتاب Getting Started with Amazon SageMaker Studio: Learn to build end-to-end machine learning projects in the SageMaker machine learning IDE

Computers&Technology انتشارات طلایی

بر اساس سلیقه شما...

codebazan

طراحی و اجرا: فروشگاه ساز سبدخرید