Data Science mit AWS
End-to-End-Pipelines für Continuous Machine Learning implementieren
- 550 Seiten
- German
- ePUB (handyfreundlich)
- Über iOS und Android verfügbar
Data Science mit AWS
End-to-End-Pipelines für Continuous Machine Learning implementieren
Über dieses Buch
Von der ersten Idee bis zur konkreten Anwendung: Ihre Data-Science-Projekte in der AWS-Cloud realisieren
- Der US-Besteller zu Amazon Web Services jetzt auf Deutsch
- Beschreibt alle wichtigen Konzepte und die wichtigsten AWS-Dienste mit vielen Beispielen aus der Praxis
- Deckt den kompletten End-to-End-Prozess von der Entwicklung der Modelle bis zum ihrem konkreten Einsatz ab
- Mit Best Practices für alle Aspekte der Modellerstellung einschließlich Training, Deployment, Sicherheit und MLOps
Mit diesem Buch lernen Machine-Learning- und KI-Praktiker, wie sie erfolgreich Data-Science-Projekte mit Amazon Web Services erstellen und in den produktiven Einsatz bringen. Es bietet einen detaillierten Einblick in den KI- und Machine-Learning-Stack von Amazon, der Data Science, Data Engineering und Anwendungsentwicklung vereint. Chris Fregly und Antje Barth beschreiben verständlich und umfassend, wie Sie das breite Spektrum an AWS-Tools nutzbringend für Ihre ML-Projekte einsetzen.
Der praxisorientierte Leitfaden zeigt Ihnen konkret, wie Sie ML-Pipelines in der Cloud erstellen und die Ergebnisse dann innerhalb von Minuten in Anwendungen integrieren. Sie erfahren, wie Sie alle Teilschritte eines Workflows zu einer wiederverwendbaren MLOps-Pipeline bündeln, und Sie lernen zahlreiche reale Use Cases zum Beispiel aus den Bereichen Natural Language Processing, Computer Vision oder Betrugserkennung kennen. Im gesamten Buch wird zudem erläutert, wie Sie Kosten senken und die Performance Ihrer Anwendungen optimieren können.
Häufig gestellte Fragen
Information
Inhaltsverzeichnis
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Data Science mit AWS – eine Einführung
- 2 Anwendungsbeispiele aus dem Bereich Data Science
- 3 Automatisiertes Machine Learning
- 4 Datenaufnahme in die Cloud
- 5 Exploration des Datensatzes
- 6 Vorbereitung des Datensatzes für das Modelltraining
- 7 Das erste Modell trainieren
- 8 Modelle in großem Maßstab trainieren und optimieren
- 9 Deployment von Modellen in die Produktion
- 10 Pipelines und MLOps
- 11 Streaming-Analysen und Machine Learning
- 12 Sicherheit von Data-Science-Projekten auf AWS
- Fußnoten
- Index
- Über den Autor und die Autorin
- Kolophon