دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Effective Data Science Infrastructure: How to make data scientists productive
دانلود کتاب زیرساخت موثر علم داده: چگونه دانشمندان داده را مولد کنیم
مشخصات کتاب
Effective Data Science Infrastructure: How to make data scientists productive
ویرایش: [1 ed.]
نویسندگان: Ville Tuulos
سری:
ISBN (شابک) : 1617299197, 9781617299193
ناشر: Manning Publications
سال نشر: 2022
تعداد صفحات: 352
[353]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 18 Mb
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Effective Data Science Infrastructure: How to make data scientists productive 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 زیرساخت موثر علم داده: چگونه دانشمندان داده را مولد کنیم 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 زیرساخت موثر علم داده: چگونه دانشمندان داده را مولد کنیم
زیرساخت علم داده را ساده کنید تا به دانشمندان داده مسیری کارآمد از نمونه اولیه تا تولید بدهد. در زیرساخت موثر علم داده یاد خواهید گرفت که چگونه: • طراحی زیرساخت علم داده که بهره وری را افزایش می دهد • محاسبات و ارکستراسیون را در ابر مدیریت کنید • یادگیری ماشین را در تولید مستقر کنید • نظارت و مدیریت عملکرد و نتایج • ابزارهای مبتنی بر ابر را در یک محیط علمی داده منسجم ترکیب کنید • با استفاده از Metaflow، Conda و Docker، پروژه های علمی داده قابل تکرار را توسعه دهید • برنامه های کاربردی پیچیده را برای تیم های متعدد و مجموعه داده های بزرگ معمار کنید • سفارشی سازی و رشد زیرساخت علم داده زیرساخت موثر علم داده: چگونگی بهره وری بیشتر دانشمندان داده، راهنمای عملی برای مونتاژ زیرساخت برای کاربردهای علم داده و یادگیری ماشین است. این فرآیندهای مورد استفاده در نتفلیکس و سایر شرکت‌های مبتنی بر داده را برای مدیریت زیرساخت داده‌های پیشرفته خود نشان می‌دهد. در آن، بر تکنیک‌های مقیاس‌پذیر برای ذخیره‌سازی داده‌ها، محاسبات، ردیابی آزمایش، و هماهنگ‌سازی که مربوط به شرکت‌هایی با هر شکل و اندازه است، مسلط خواهید شد. یاد خواهید گرفت که چگونه می‌توانید با زیرساخت‌های ابری موجود، مجموعه‌ای از نرم‌افزارهای منبع باز و Python اصطلاحی، دانشمندان داده را کارآمدتر کنید. نویسنده عواید حاصل از این کتاب را به خیریه هایی اهدا می کند که از زنان و گروه های کم نمایندگی در علم داده حمایت می کنند. در مورد تکنولوژی رشد پروژه های علم داده از نمونه اولیه تا تولید نیازمند زیرساخت قابل اعتماد است. با استفاده از تکنیک‌ها و ابزارهای قدرتمند جدید در این کتاب، می‌توانید زیرساخت‌هایی را برپا کنید که برای هر سازمانی، از استارت‌آپ‌ها گرفته تا بزرگ‌ترین شرکت‌ها، مقیاس‌پذیر است. درباره کتاب زیرساخت علم داده موثر به شما می آموزد که خطوط لوله داده و گردش کار پروژه ایجاد کنید که دانشمندان داده و پروژه های آنها را شارژ کند. این کتاب بر اساس ابزارها و مفاهیم پیشرفته ای که عملیات داده نتفلیکس را تقویت می کند، یک رویکرد مبتنی بر ابر قابل سفارشی سازی را برای توسعه مدل و MLO معرفی می کند که می توانید به راحتی با نیازهای خاص شرکت خود سازگار شوید. با اجرای این فرآیندهای عملی، تیم‌های شما نتایج بهتر و سریع‌تری را هنگام اعمال علم داده و یادگیری ماشین برای طیف گسترده‌ای از مشکلات کسب‌وکار تولید می‌کنند. داخلش چیه • محاسبات و ارکستراسیون را در ابر مدیریت کنید • ابزارهای مبتنی بر ابر را در یک محیط علمی داده منسجم ترکیب کنید • توسعه پروژه های علمی داده قابل تکرار با استفاده از Metaflow، AWS و اکوسیستم داده پایتون • برنامه های کاربردی پیچیده را معمار کنید که به مجموعه داده ها و مدل های بزرگ و تیمی از دانشمندان داده نیاز دارند درباره خواننده برای مهندسان زیرساخت و دانشمندان داده مهندسی که با پایتون آشنا هستند. درباره نویسنده در نتفلیکس، ویل تولوس متافلو را طراحی و ساخت، چارچوبی کامل برای علم داده. او در حال حاضر مدیرعامل استارت آپی است که بر زیرساخت های علم داده تمرکز دارد.
توضیحاتی درمورد کتاب به خارجی
Simplify data science infrastructure to give data scientists an efficient path from prototype to production. In Effective Data Science Infrastructure you will learn how to: • Design data science infrastructure that boosts productivity • Handle compute and orchestration in the cloud • Deploy machine learning to production • Monitor and manage performance and results • Combine cloud-based tools into a cohesive data science environment • Develop reproducible data science projects using Metaflow, Conda, and Docker • Architect complex applications for multiple teams and large datasets • Customize and grow data science infrastructure Effective Data Science Infrastructure: How to make data scientists more productive is a hands-on guide to assembling infrastructure for data science and machine learning applications. It reveals the processes used at Netflix and other data-driven companies to manage their cutting edge data infrastructure. In it, you’ll master scalable techniques for data storage, computation, experiment tracking, and orchestration that are relevant to companies of all shapes and sizes. You’ll learn how you can make data scientists more productive with your existing cloud infrastructure, a stack of open source software, and idiomatic Python. The author is donating proceeds from this book to charities that support women and underrepresented groups in data science. about the technology Growing data science projects from prototype to production requires reliable infrastructure. Using the powerful new techniques and tooling in this book, you can stand up an infrastructure stack that will scale with any organization, from startups to the largest enterprises. About the book Effective Data Science Infrastructure teaches you to build data pipelines and project workflows that will supercharge data scientists and their projects. Based on state-of-the-art tools and concepts that power data operations of Netflix, this book introduces a customizable cloud-based approach to model development and MLOps that you can easily adapt to your company’s specific needs. As you roll out these practical processes, your teams will produce better and faster results when applying data science and machine learning to a wide array of business problems. What's inside • Handle compute and orchestration in the cloud • Combine cloud-based tools into a cohesive data science environment • Develop reproducible data science projects using Metaflow, AWS, and the Python data ecosystem • Architect complex applications that require large datasets and models, and a team of data scientists About the reader For infrastructure engineers and engineering-minded data scientists who are familiar with Python. About the author At Netflix, Ville Tuulos designed and built Metaflow, a full-stack framework for data science. Currently, he is the CEO of a startup focusing on data science infrastructure.
