Machine Learning con SageMaker
Guida per lavorare con i big data e diventare data scientist
- 420 pagine
- Italian
- ePUB (disponibile sull'app)
- Disponibile su iOS e Android
Machine Learning con SageMaker
Guida per lavorare con i big data e diventare data scientist
Informazioni sul libro
SageMaker è una piattaforma in cloud di AWS che consente di elaborare modelli di machine learning utilizzando un'interfaccia grafica e senza dover gestire alcuna infrastruttura.Questo manuale accompagna il lettore nell'apprendimento delle varie funzionalità, dalla preparazione dei dati alla creazione, addestramento e distribuzione di modelli. Viene mostrato come integrare la piattaforma con le librerie di deep learning più diffuse, in modo da estenderne le potenzialità. Il lettore impara inoltre a ottimizzare il flusso di lavoro, migliorando la produttività e riducendo i costi, a individuare problemi e difetti nell'addestramento dei modelli, con la giusta attenzione alla scalabilità e al rilascio delle applicazioni.Una guida passo passo adatta ad analisti, data scientist, sviluppatori e in generale a chiunque voglia esplorare e sfruttare l'esperienza di AWS nello sviluppo di applicazioni di machine learning e analisi dei dati.
Domande frequenti
Informazioni
Indice dei contenuti
- Introduzione
- Parte I - Introduzione ad Amazon SageMaker
- Capitolo 1 - Presentazione di Amazon SageMaker
- Capitolo 2 - Tecniche di preparazione dei dati
- Parte II - Realizzazione e training dei modelli
- Capitolo 3 - AutoML con Amazon SageMaker Autopilot
- Capitolo 4 - Training di modelli di machine learning
- Capitolo 5 - Training di modelli di visione artificiale
- Capitolo 6 - Training di modelli per l’elaborazione del linguaggio naturale
- Capitolo 7 - Estensione dei servizi tramite i framework built-in
- Capitolo 8 - Usare i vostri algoritmi e il vostro codice
- Parte III - Approfondimenti sul training
- Capitolo 9 - Dimensionare i job di training
- Capitolo 10 - Tecniche avanzate di training
- Parte IV - Gestione dei modelli in produzione
- Capitolo 11 - Distribuzione dei modelli di machine learning
- Capitolo 12 - Automazione dei flussi di lavoro di machine learning
- Capitolo 13 - Ottimizzazione dei costi e delle prestazioni delle predizioni