Hodnotenie:
Kniha poskytuje praktický úvod do AWS MLOps a ponúka cenné poznatky o dátovej vede v cloude AWS. Je dobre štruktúrovaná a komplexne pokrýva mnohé služby AWS. Niektorí čitatelia však považujú kapitoly o kódovaní za neprehľadné a kvalitu tlače za slabú. Zatiaľ čo niektorí chvália jej hĺbku a rozsah, iní kritizujú nedostatok praktických pokynov a ucelenej organizácie.
Výhody:⬤ Dobre napísaná a informatívna
⬤ pokrýva širokú škálu služieb AWS
⬤ poskytuje praktické poznatky a dobrú rovnováhu medzi vysvetleniami a kódom
⬤ bohatá na obsah za danú cenu
⬤ aktívne udržiavaný repozitár kódu
⬤ užitočná na pochopenie end-to-end procesov strojového učenia na AWS.
⬤ Niektoré kapitoly sú nejasné a nepraktické
⬤ slabá kvalita tlače (čiernobiely, nekvalitný papier)
⬤ chýba ucelená štruktúra a podrobné pokyny krok za krokom
⬤ niektorí čitatelia dostali použité alebo opotrebované výtlačky
⬤ neprevádza čitateľov používaním služieb AWS tak, ako sa očakávalo
⬤ za danú cenu považované za povrchné.
(na základe 25 čitateľských recenzií)
Data Science on AWS: Implementing End-To-End, Continuous AI and Machine Learning Pipelines
Vďaka tejto praktickej knihe sa odborníci na umelú inteligenciu a strojové učenie dozvedia, ako úspešne vytvárať a nasadzovať projekty dátovej vedy na webových službách Amazon. Amazon AI and machine learning stack zjednocuje dátovú vedu, dátové inžinierstvo a vývoj aplikácií, aby pomohol zvýšiť úroveň vašich zručností. Táto príručka vám ukáže, ako vytvárať a spúšťať pipelines v cloude a potom integrovať výsledky do aplikácií v priebehu niekoľkých minút namiesto dní. V celej knihe autori Chris Fregly a Antje Barth ukazujú, ako znížiť náklady a zvýšiť výkon.
⬤ Použite zásobník Amazon AI a ML na reálne prípady použitia pre spracovanie prirodzeného jazyka, počítačové videnie, detekciu podvodov, konverzačné zariadenia a ďalšie.
⬤ Využite automatizované strojové učenie na implementáciu špecifickej podmnožiny prípadov použitia pomocou SageMaker Autopilot.
⬤ Ponorte sa do úplného životného cyklu vývoja modelu pre prípad použitia NLP založený na BERT vrátane prijímania údajov, analýzy, trénovania modelu a nasadenia.
⬤ Spojte všetko do opakovateľného potrubia operácií strojového učenia.
⬤ Preskúmajte ML v reálnom čase, detekciu anomálií a prúdovú analýzu dátových tokov pomocou Amazon Kinesis a Managed Streaming pre Apache Kafka.
⬤ Oboznámte sa s najlepšími bezpečnostnými postupmi pre projekty a pracovné postupy v oblasti dátovej vedy vrátane správy identít a prístupu, autentifikácie, autorizácie a ďalších.
