مشخصات کتاب

AWS Certified Machine Learning Specialty: MLS-C01 Certification Guide: The definitive guide to passing the MLS-C01 exam on the very first attempt

ویرایش:  
نویسندگان: Somanath Nanda. Weslley Moura  
سری:  
ISBN (شابک) : 1800569009, 9781800569003 
ناشر: Packt Publishing 
سال نشر: 2021 
تعداد صفحات: 338 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 19 Mb 

در صورت تبدیل فایل کتاب AWS Certified Machine Learning Specialty: MLS-C01 Certification Guide: The definitive guide to passing the MLS-C01 exam on the very first attempt به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تخصص یادگیری ماشین دارای گواهی AWS: راهنمای گواهینامه MLS-C01: راهنمای قطعی برای قبولی در آزمون MLS-C01 در اولین تلاش نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب تخصص یادگیری ماشین دارای گواهی AWS: راهنمای گواهینامه MLS-C01: راهنمای قطعی برای قبولی در آزمون MLS-C01 در اولین تلاش

با این راهنمای کامل و به‌روز، برای دریافت گواهینامه تخصصی یادگیری ماشین AWS آماده شوید و با اطمینان در آزمون شرکت کنید. ابر خدمات وب آمازون (AWS) همه چیز را در مورد خدمات AWS موجود برای یادگیری ماشین به منظور قبولی در آزمون MLS-C01 بیاموزید. این کتاب کل برنامه درسی امتحان را با استفاده از مثال‌های عملی پوشش می‌دهد تا به شما در انجام پروژه‌های یادگیری ماشینی دنیای واقعی خود در AWS کمک کند. با مقدمه‌ای بر یادگیری ماشین در AWS، اصول یادگیری ماشینی را یاد خواهید گرفت و خدمات مهم AWS برای هوش مصنوعی (AI) را کشف خواهید کرد. سپس خواهید دید که چگونه داده ها را برای یادگیری ماشین آماده کنید و طیف گسترده ای از تکنیک ها را برای دستکاری و تبدیل داده برای انواع مختلف متغیرها کشف خواهید کرد. این کتاب همچنین به شما نشان می‌دهد که چگونه داده‌های از دست رفته و موارد دورافتاده را مدیریت کنید و شما را از طریق وظایف مختلف یادگیری ماشین مانند طبقه‌بندی، رگرسیون، خوشه‌بندی، پیش‌بینی، تشخیص ناهنجاری، متن کاوی و پردازش تصویر همراه با الگوریتم‌های ML خاصی که باید بدانید، راهنمایی می‌کند. برای قبولی در امتحان در نهایت، ارزیابی، بهینه‌سازی و استقرار مدل را بررسی خواهید کرد و با استقرار مدل‌ها در محیط تولید و نظارت بر آن‌ها مقابله خواهید کرد. در پایان این کتاب، شما با چالش‌های کلیدی در یادگیری ماشین و راه‌حل‌هایی که AWS برای هر یک از آن‌ها منتشر کرده است، به همراه ابزارها، روش‌ها و تکنیک‌هایی که معمولاً در هر حوزه AWS ML استفاده می‌شود، آگاهی کسب خواهید کرد. . آنچه یاد خواهید گرفت هر چهار حوزه تحت پوشش در آزمون، همراه با انواع سؤالات، مدت زمان امتحان و امتیاز را درک کنید. آماده‌سازی و استفاده از خدمات AWS برای پردازش داده‌های دسته‌ای و بی‌درنگ الگوریتم‌های یادگیری ماشین داخلی را در AWS کاوش کنید و مدل‌های خود را بسازید و بکار ببرید مدل‌های یادگیری ماشین را ارزیابی کنید و فراپارامترها را تنظیم کنید، مدل‌های یادگیری ماشین را با زیرساخت AWS مستقر کنید. این کتاب AWS برای متخصصان و دانش‌آموزانی است که می‌خواهند برای امتحان تخصصی AWS Certified Learning Machine آماده شوند و قبول شوند یا دانش عمیق‌تری در مورد یادگیری ماشین با تمرکز ویژه بر AWS کسب کنند. قبل از شروع کار با این کتاب، دانش سطح مبتدی از یادگیری ماشین و خدمات AWS ضروری است.

توضیحاتی درمورد کتاب به خارجی

Prepare to achieve AWS Machine Learning Specialty certification with this complete, up-to-date guide and take the exam with confidence Key Features Get to grips with core machine learning algorithms along with AWS implementation Build model training and inference pipelines and deploy machine learning models to the Amazon Web Services (AWS) cloud Learn all about the AWS services available for machine learning in order to pass the MLS-C01 exam Book Description The AWS Certified Machine Learning Specialty exam tests your competency to perform machine learning (ML) on AWS infrastructure. This book covers the entire exam syllabus using practical examples to help you with your real-world machine learning projects on AWS. Starting with an introduction to machine learning on AWS, you\'ll learn the fundamentals of machine learning and explore important AWS services for artificial intelligence (AI). You\'ll then see how to prepare data for machine learning and discover a wide variety of techniques for data manipulation and transformation for different types of variables. The book also shows you how to handle missing data and outliers and takes you through various machine learning tasks such as classification, regression, clustering, forecasting, anomaly detection, text mining, and image processing, along with the specific ML algorithms you need to know to pass the exam. Finally, you\'ll explore model evaluation, optimization, and deployment and get to grips with deploying models in a production environment and monitoring them. By the end of this book, you\'ll have gained knowledge of the key challenges in machine learning and the solutions that AWS has released for each of them, along with the tools, methods, and techniques commonly used in each domain of AWS ML. What you will learn Understand all four domains covered in the exam, along with types of questions, exam duration, and scoring Become well-versed with machine learning terminologies, methodologies, frameworks, and the different AWS services for machine learning Get to grips with data preparation and using AWS services for batch and real-time data processing Explore the built-in machine learning algorithms in AWS and build and deploy your own models Evaluate machine learning models and tune hyperparameters Deploy machine learning models with the AWS infrastructure Who this book is for This AWS book is for professionals and students who want to prepare for and pass the AWS Certified Machine Learning Specialty exam or gain deeper knowledge of machine learning with a special focus on AWS. Beginner-level knowledge of machine learning and AWS services is necessary before getting started with this book.

فهرست مطالب

Cover
Title Page
Copyright and Credits
Contributors
Table of Contents
Preface
Section 1: Introduction to Machine Learning
Chapter 1: Machine Learning Fundamentals
	Comparing AI, ML, and DL
		Examining ML
		Examining DL
	Classifying supervised, unsupervised, and reinforcement learning
		Introducing supervised learning
	The CRISP-DM modeling life cycle
	Data splitting
		Overfitting and underfitting
		Applying cross-validation and measuring overfitting
		Bootstrapping methods
		The variance versus bias trade-off
		Shuffling your training set
	Modeling expectations
	Introducing ML frameworks
	ML in the cloud
	Summary
	Questions
Chapter 2: AWS Application Services for AI/ML
	Technical requirements
	Analyzing images and videos with Amazon Rekognition
		Exploring the benefits of Amazon Rekognition
		Getting hands-on with Amazon Rekognition
	Text to speech with Amazon Polly
		Exploring the benefits of Amazon Polly
		Getting hands-on with Amazon Polly
	Speech to text with Amazon Transcribe
		Exploring the benefits of Amazon Transcribe
		Getting hands-on with Amazon Transcribe
	Implementing natural language processing with Amazon Comprehend
		Exploring the benefits of Amazon Comprehend
		Getting hands-on with Amazon Comprehend
	Translating documents with Amazon Translate
		Exploring the benefits of Amazon Translate
		Getting hands-on with Amazon Translate
	Extracting text from documents with Amazon Textract
		Exploring the benefits of Amazon Textract
		Getting hands-on with Amazon Textract
	Creating chatbots on Amazon Lex
		Exploring the benefits of Amazon Lex
		Getting hands-on with Amazon Lex
	Summary
		Questions
		Answers
Section 2: Data Engineering and Exploratory Data Analysis
Chapter 3: Data Preparation and Transformation
	Identifying types of features
	Dealing with categorical features
		Transforming nominal features
		Applying binary encoding
		Transforming ordinal features
		Avoiding confusion in our train and test datasets
	Dealing with numerical features
		Data normalization
		Data standardization
		Applying binning and discretization
		Applying other types of numerical transformations
	Understanding data distributions
	Handling missing values
	Dealing with outliers
	Dealing with unbalanced datasets
	Dealing with text data
		Bag of words
		TF-IDF
		Word embedding
	Summary
	Questions
Chapter 4: Understanding and Visualizing Data
	Visualizing relationships in your data
	Visualizing comparisons in your data
	Visualizing distributions in your data
	Visualizing compositions in your data
	Building key performance indicators
	Introducing Quick Sight
	Summary
	Questions
Chapter 5: AWS Services for Data Storing
	Technical requirements
	Storing data on Amazon S3
		Creating buckets to hold data
		Distinguishing between object tags and object metadata
	Controlling access to buckets and objects on Amazon S3
		S3 bucket policy
	Protecting data on Amazon S3
		Applying bucket versioning
		Applying encryption to buckets
	Securing S3 objects at rest and in transit
	Using other types of data stores
	Relational Database Services (RDSes)
	Managing failover in Amazon RDS
	Taking automatic backup, RDS snapshots, and restore and read replicas
	Writing to Amazon Aurora with multi-master capabilities
	Storing columnar data on Amazon Redshift
	Amazon DynamoDB for NoSQL database as a service
	Summary
		Questions
		Answers
Chapter 6: AWS Services for Data Processing
	Technical requirements
	Creating ETL jobs on AWS Glue
		Features of AWS Glue
		Getting hands-on with AWS Glue data catalog components
		Getting hands-on with AWS Glue ETL components
	Querying S3 data using Athena
	Processing real-time data using Kinesis data streams
	Storing and transforming real-time data using Kinesis Data Firehose
	Different ways of ingesting data from on-premises into AWS
		AWS Storage Gateway
		Snowball, Snowball Edge, and Snowmobile
		AWS DataSync
	Processing stored data on AWS
		AWS EMR
		AWS Batch
	Summary
		Questions
		Answers
Section 3: Data Modeling
Chapter 7: Applying Machine Learning Algorithms
	Introducing this chapter
	Storing the training data
	A word about ensemble models
	Supervised learning
		Working with regression models
		Working with classification models
		Forecasting models
		Object2Vec
	Unsupervised learning
		Clustering
		Anomaly detection
		Dimensionality reduction
		IP Insights
	Textual analysis
		Blazing Text algorithm
		Sequence-to-sequence algorithm
		Neural Topic Model (NTM) algorithm
	Image processing
		Image classification algorithm
		Semantic segmentation algorithm
		Object detection algorithm
	Summary
	Questions
Chapter 8: Evaluating and Optimizing Models
	Introducing model evaluation
	Evaluating classification models
		Extracting metrics from a confusion matrix
		Summarizing precision and recall
	Evaluating regression models
		Exploring other regression metrics
	Model optimization
		Grid search
	Summary
	Questions
Chapter 9: Amazon SageMaker Modeling
	Technical requirements
	Creating notebooks in Amazon SageMaker
		What is Amazon SageMaker?
		Getting hands-on with Amazon SageMaker notebook instances
		Getting hands-on with Amazon SageMaker's training and inference instances
	Model tuning
		Tracking your training jobs and selecting the best model
	Choosing instance types in Amazon SageMaker
		Choosing the right instance type for a training job
		Choosing the right instance type for an inference job
	Securing SageMaker notebooks
	Creating alternative pipelines with Lambda Functions
		Creating and configuring a Lambda Function
		Completing your configurations and deploying a Lambda Function
	Working with Step Functions
	Summary
		Questions
		Answers
	Why subscribe?
About Packt
Other Books You May Enjoy
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب F4U-4 Illustrated assembly breakdown

دانلود کتاب Un largo sábado

دانلود کتاب Gunderson & Tepper’s Clinical Radiation Oncology

دانلود کتاب Наука, образование и технологии: современное состояние актуальных проблем: Международная научно-практическая конференция, 29 апреля 2022 года : [сборник научных трудов]

دانلود کتاب Lesbians and White Privilege