ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Machine Learning Engineering on AWS: Build, scale, and secure machine learning systems and MLOps pipelines in production

دانلود کتاب مهندسی یادگیری ماشین در AWS: سیستم‌های یادگیری ماشین و خطوط لوله MLOps در تولید، مقیاس‌بندی و ایمن بسازید

Machine Learning Engineering on AWS: Build, scale, and secure machine learning systems and MLOps pipelines in production

مشخصات کتاب

Machine Learning Engineering on AWS: Build, scale, and secure machine learning systems and MLOps pipelines in production

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1803247592, 9781803247595 
ناشر: Packt Publishing 
سال نشر: 2022 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت

قیمت کتاب (تومان) : 45,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Machine Learning Engineering on AWS: Build, scale, and secure machine learning systems and MLOps pipelines in production 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 مهندسی یادگیری ماشین در AWS: سیستم‌های یادگیری ماشین و خطوط لوله MLOps در تولید، مقیاس‌بندی و ایمن بسازید 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 مهندسی یادگیری ماشین در AWS: سیستم‌های یادگیری ماشین و خطوط لوله MLOps در تولید، مقیاس‌بندی و ایمن بسازید



با پرداختن به نقاط درد کلیدی که در چرخه عمر ML با آن مواجه می‌شوید، با سیستم‌های یادگیری ماشینی آماده تولید و خطوط لوله در AWS کار کنید

ویژگی‌های کلیدی

  • دانش عملی مدیریت بارهای کاری ML در AWS با استفاده از Amazon SageMaker، Amazon EKS و موارد دیگر بدست آورید
  • <. span>از سرویس‌های کانتینر و بدون سرور برای حل انواع نیازهای مهندسی ML استفاده کنید
  • طراحی، ساخت و ایمن خطوط لوله و گردش کار MLOps خودکار در AWS

توضیحات کتاب

نیاز روزافزون به متخصصان با تجربه در کار بر روی الزامات مهندسی یادگیری ماشین (ML) و همچنین کسانی که دانش خودکارسازی خطوط لوله MLOs پیچیده در ابر را دارند. این کتاب انواع خدمات AWS مانند Amazon Elastic Kubernetes Service، AWS Glue، AWS Lambda، Amazon Redshift و AWS Lake Formation را بررسی می‌کند، که پزشکان ML می‌توانند از آن‌ها برای برآوردن الزامات مهندسی داده و مهندسی ML مختلف در تولید استفاده کنند.

این کتاب یادگیری ماشینی مفاهیم اساسی و همچنین دستورالعمل‌های گام به گام را پوشش می‌دهد که به شما کمک می‌کند تا درک کاملی از نحوه مدیریت و ایمن کردن بارهای کاری ML در فضای ابری به دست آورید. با پیشرفت در فصل‌ها، نحوه استفاده از چندین راه‌حل کانتینر و بدون سرور را در هنگام آموزش و استقرار مدل‌های یادگیری عمیق TensorFlow و PyTorch در AWS کشف خواهید کرد. همچنین با بررسی بهترین روش‌ها هنگام استفاده از هر AWS، تکنیک‌های اثبات‌شده بهینه‌سازی هزینه و همچنین حفظ حریم خصوصی داده‌ها و استراتژی‌های حفظ حریم خصوصی را با جزئیات بررسی خواهید کرد.

تا پایان در این کتاب AWS، می‌توانید سیستم‌ها و خطوط لوله ML خود را بسازید، مقیاس‌بندی کنید و ایمن کنید، که تجربه و اطمینان لازم را برای طراحی راه‌حل‌های سفارشی با استفاده از انواع خدمات AWS برای الزامات مهندسی ML به شما می‌دهد.

آنچه یاد خواهید گرفت

  • با نحوه آموزش و استقرار مدل های TensorFlow و PyTorch در AWS آشنا شوید span>
  • از کانتینرها و خدمات بدون سرور برای الزامات مهندسی ML استفاده کنید
  • Discover نحوه راه اندازی انبار داده و دریاچه داده بدون سرور در AWS
  • ساخت خطوط لوله خودکار MLOps سرتاسری با استفاده از انواع خدمات span>
  • از AWS Glue DataBrew و SageMaker Data Wrangler برای مهندسی داده استفاده کنید
  • راه حل های مختلف برای استقرار مدل های یادگیری عمیق در AWS را کاوش کنید
  • استفاده از تکنیک های بهینه سازی هزینه در محیط ها و سیستم های ML< /li>
  • حفظ حریم خصوصی داده ها و مدل سازی حریم خصوصی با استفاده از تکنیک های مختلف

این کتاب برای چه کسانی است

این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده و مهندسان ابر AWS است که علاقه مند به کار بر روی مهندسی داده تولید، مهندسی یادگیری ماشین و الزامات MLOps با استفاده از انواع خدمات AWS هستند. مانند Amazon EC2، Amazon Elastic Kubernetes Service (EKS)، Amazon SageMaker، AWS Glue، Amazon Redshift، AWS Lake Formation و AWS Lambda -- تنها چیزی که برای شروع نیاز دارید یک حساب AWS است. دانش قبلی AWS، یادگیری ماشین و زبان برنامه نویسی Python به شما کمک می کند تا مفاهیم تحت پوشش این کتاب را به طور موثرتری درک کنید.

فهرست محتوا</ h4>

  1. مقدمه ای بر مهندسی ML در AWS
  2. AMI های یادگیری عمیق</ span>
  3. ظرف‌های یادگیری عمیق
  4. مدیریت داده‌های بدون سرور در AWS</ span>
  5. پردازش و تجزیه و تحلیل داده های عملی
  6. راه حل های آموزش و رفع اشکال SageMaker
  7. راه‌حل‌های استقرار SageMaker
  8. راه‌حل‌های نظارت و مدیریت مدل
  9. راهبردهای امنیتی، حاکمیت و انطباق
  10. خطوط آموزش ماشینی با Kubeflow در آمازون EKS
  11. خطوط آموزش ماشینی با خط لوله SageMaker

توضیحاتی درمورد کتاب به خارجی

Work seamlessly with production-ready machine learning systems and pipelines on AWS by addressing key pain points encountered in the ML life cycle

Key Features

  • Gain practical knowledge of managing ML workloads on AWS using Amazon SageMaker, Amazon EKS, and more
  • Use container and serverless services to solve a variety of ML engineering requirements
  • Design, build, and secure automated MLOps pipelines and workflows on AWS

Book Description

There is a growing need for professionals with experience in working on machine learning (ML) engineering requirements as well as those with knowledge of automating complex MLOps pipelines in the cloud. This book explores a variety of AWS services, such as Amazon Elastic Kubernetes Service, AWS Glue, AWS Lambda, Amazon Redshift, and AWS Lake Formation, which ML practitioners can leverage to meet various data engineering and ML engineering requirements in production.

This machine learning book covers the essential concepts as well as step-by-step instructions that are designed to help you get a solid understanding of how to manage and secure ML workloads in the cloud. As you progress through the chapters, you'll discover how to use several container and serverless solutions when training and deploying TensorFlow and PyTorch deep learning models on AWS. You'll also delve into proven cost optimization techniques as well as data privacy and model privacy preservation strategies in detail as you explore best practices when using each AWS.

By the end of this AWS book, you'll be able to build, scale, and secure your own ML systems and pipelines, which will give you the experience and confidence needed to architect custom solutions using a variety of AWS services for ML engineering requirements.

What you will learn

  • Find out how to train and deploy TensorFlow and PyTorch models on AWS
  • Use containers and serverless services for ML engineering requirements
  • Discover how to set up a serverless data warehouse and data lake on AWS
  • Build automated end-to-end MLOps pipelines using a variety of services
  • Use AWS Glue DataBrew and SageMaker Data Wrangler for data engineering
  • Explore different solutions for deploying deep learning models on AWS
  • Apply cost optimization techniques to ML environments and systems
  • Preserve data privacy and model privacy using a variety of techniques

Who this book is for

This book is for machine learning engineers, data scientists, and AWS cloud engineers interested in working on production data engineering, machine learning engineering, and MLOps requirements using a variety of AWS services such as Amazon EC2, Amazon Elastic Kubernetes Service (EKS), Amazon SageMaker, AWS Glue, Amazon Redshift, AWS Lake Formation, and AWS Lambda -- all you need is an AWS account to get started. Prior knowledge of AWS, machine learning, and the Python programming language will help you to grasp the concepts covered in this book more effectively.

Table of Contents

  1. Introduction to ML Engineering on AWS
  2. Deep Learning AMIs
  3. Deep Learning Containers
  4. Serverless Data Management on AWS
  5. Pragmatic Data Processing and Analysis
  6. SageMaker Training and Debugging Solutions
  7. SageMaker Deployment Solutions
  8. Model Monitoring and Management Solutions
  9. Security, Governance, and Compliance Strategies
  10. Machine Learning Pipelines with Kubeflow on Amazon EKS
  11. Machine Learning Pipelines with SageMaker Pipelines




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی