دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Science on the Google Cloud Platform: Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning
دانلود کتاب علم داده در پلتفرم Google Cloud: پیاده‌سازی خطوط انتقال داده در زمان واقعی از سر به سر: از دریافت تا یادگیری ماشینی
مشخصات کتاب
Data Science on the Google Cloud Platform: Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning
ویرایش: [2 ed.]
نویسندگان: Valliappa Lakshmanan
سری:
ISBN (شابک) : 1098118952, 9781098118952
ناشر: O'Reilly Media
سال نشر: 2022
تعداد صفحات: 459
[462]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 Mb
قیمت کتاب (تومان) : 50,000
در صورت تبدیل فایل کتاب Data Science on the Google Cloud Platform: Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning 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 علم داده در پلتفرم Google Cloud: پیاده‌سازی خطوط انتقال داده در زمان واقعی از سر به سر: از دریافت تا یادگیری ماشینی 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 علم داده در پلتفرم Google Cloud: پیاده‌سازی خطوط انتقال داده در زمان واقعی از سر به سر: از دریافت تا یادگیری ماشینی
بیاموزید که وقتی با استفاده از پلتفرم ابری Google (GCP) می‌سازید، استفاده از روش‌های آماری و یادگیری ماشینی پیچیده برای مشکلات دنیای واقعی چقدر آسان است. این راهنمای عملی به مهندسان داده و دانشمندان داده نشان می دهد که چگونه یک خط لوله داده سرتاسر را با ابزارهای بومی ابری در GCP پیاده سازی کنند. در طول این نسخه دوم به روز شده، با به کارگیری انواع رویکردهای علم داده، از طریق یک تصمیم تجاری نمونه کار خواهید کرد. با ایجاد خط لوله داده در پروژه خود در GCP ادامه دهید و کشف کنید که چگونه مسائل علم داده را به روشی متحول کننده و مشارکتی تر حل کنید. شما یاد خواهید گرفت که چگونه: • از بهترین شیوه ها در ساخت خطوط لوله داده و ML با مقیاس پذیری بالا در Google Cloud استفاده کنید • دریافت داده ها را با استفاده از Cloud Run به صورت خودکار و برنامه ریزی کنید • داشبورد را در Data Studio ایجاد و پر کنید • با استفاده از Pub/Sub، Dataflow و BigQuery یک خط لوله تجزیه و تحلیل بلادرنگ بسازید • کاوش تعاملی داده با BigQuery را انجام دهید • یک مدل بیزی با Spark در Cloud Dataproc ایجاد کنید • سری های زمانی را پیش بینی کنید و با BigQuery ML تشخیص ناهنجاری انجام دهید • در پنجره های زمانی با Dataflow جمع آوری کنید • مدل های یادگیری ماشینی قابل توضیح را با Vertex AI آموزش دهید • ML را با خطوط لوله Vertex AI عملیاتی کنید
توضیحاتی درمورد کتاب به خارجی
Learn how easy it is to apply sophisticated statistical and machine learning methods to real-world problems when you build using Google Cloud Platform (GCP). This hands-on guide shows data engineers and data scientists how to implement an end-to-end data pipeline with cloud native tools on GCP. Throughout this updated second edition, you'll work through a sample business decision by employing a variety of data science approaches. Follow along by building a data pipeline in your own project on GCP, and discover how to solve data science problems in a transformative and more collaborative way. You'll learn how to: • Employ best practices in building highly scalable data and ML pipelines on Google Cloud • Automate and schedule data ingest using Cloud Run • Create and populate a dashboard in Data Studio • Build a real-time analytics pipeline using Pub/Sub, Dataflow, and BigQuery • Conduct interactive data exploration with BigQuery • Create a Bayesian model with Spark on Cloud Dataproc • Forecast time series and do anomaly detection with BigQuery ML • Aggregate within time windows with Dataflow • Train explainable machine learning models with Vertex AI • Operationalize ML with Vertex AI Pipelines
نظرات کاربران
کتاب های تصادفی
دانلود کتاب A Second Exodus: The American Movement to Free Soviet Jews
دانلود کتاب Bioremediation-A Sustainable Approach to Preserving Earth’s Water
دانلود کتاب Munch
