توضیحات
Swiftly build and deploy machine learning models without managing infrastructure and boost productivity using the latest Amazon SageMaker capabilities such as Studio, Autopilot, Data Wrangler, Pipelines, and Feature Store
Key Features
- Build, train, and deploy machine learning models quickly using Amazon SageMaker
- Optimize the accuracy, cost, and fairness of your models
- Create and automate end-to-end machine learning workflows on Amazon Web Services (AWS)
Book Description
Amazon SageMaker enables you to quickly build, train, and deploy machine learning models at scale without managing any infrastructure. It helps you focus on the machine learning problem at hand and deploy high-quality models by eliminating the heavy lifting typically involved in each step of the ML process. This second edition will help data scientists and ML developers to explore new features such as SageMaker Data Wrangler, Pipelines, Clarify, Feature Store, and much more.
You’ll start by learning how to use various capabilities of SageMaker as a single toolset to solve ML challenges and progress to cover features such as AutoML, built-in algorithms and frameworks, and writing your own code and algorithms to build ML models. The book will then show you how to integrate Amazon SageMaker with popular deep learning libraries, such as TensorFlow and PyTorch, to extend the capabilities of existing models. You’ll also see how automating your workflows can help you get to production faster with minimum effort and at a lower cost. Finally, you’ll explore SageMaker Debugger and SageMaker Model Monitor to detect quality issues in training and production.
By the end of this Amazon book, you’ll be able to use Amazon SageMaker on the full spectrum of ML workflows, from experimentation, training, and monitoring to scaling, deployment, and automation.
What you will learn
- Become well-versed with data annotation and preparation techniques
- Use AutoML features to build and train machine learning models with AutoPilot
- Create models using built-in algorithms and frameworks and your own code
- Train computer vision and natural language processing (NLP) models using real-world examples
- Cover training techniques for scaling, model optimization, model debugging, and cost optimization
- Automate deployment tasks in a variety of configurations using SDK and several automation tools
Who this book is for
This book is for software engineers, machine learning developers, data scientists, and AWS users who are new to using Amazon SageMaker and want to build high-quality machine learning models without worrying about infrastructure. Knowledge of AWS basics is required to grasp the concepts covered in this book more effectively. A solid understanding of machine learning concepts and the Python programming language will also be beneficial.
Table of Contents
- Introducing Amazon SageMaker
- Handling Data Preparation Techniques
- AutoML with Amazon SageMaker Autopilot
- Training Machine Learning Models
- Training CV Models
- Training Natural Language Processing Models
- Extending Machine Learning Services Using Built-In Frameworks
- Using Your Algorithms and Code
- Scaling Your Training Jobs
- Advanced Training Techniques
- Deploying Machine Learning Models
- Automating Machine Learning Workflows
- Optimizing Prediction Cost and Performance
————————————————————–
ترجمه ماشینی :
با استفاده از آخرین قابلیتهای Amazon SageMaker مانند Studio، Autopilot، Data Wrangler، Pipelines، و Feature Store، مدلهای یادگیری ماشین را بدون مدیریت زیرساختها و افزایش بهرهوری سریع بسازید و به کار ببرید.
ویژگی های کلیدی
- ساخت، آموزش و استقرار سریع مدل های یادگیری ماشینی با استفاده از Amazon SageMaker
- بهینه سازی دقت، هزینه و منصفانه مدل های خود
- ایجاد و خودکارسازی گردشهای کار یادگیری ماشینی سرتاسر در سرویسهای وب آمازون (AWS)
توضیحات کتاب
Amazon SageMaker شما را قادر میسازد تا به سرعت بسازید، آموزش دهید، و استقرار دهید. مدل های یادگیری ماشین در مقیاس بدون مدیریت هیچ زیرساختی. این به شما کمک می کند تا روی مشکل یادگیری ماشین تمرکز کنید و مدل های با کیفیت بالا را با حذف کارهای سنگین که معمولاً در هر مرحله از فرآیند ML وجود دارد، به کار ببرید. این نسخه دوم به دانشمندان داده و توسعه دهندگان ML کمک می کند تا ویژگی های جدیدی مانند SageMaker Data Wrangler، Pipelines، Clarify، Feature Store و موارد دیگر را کشف کنند.
شما با یادگیری نحوه استفاده از قابلیت های مختلف شروع خواهید کرد. SageMaker به عنوان یک مجموعه ابزار واحد برای حل چالش های ML و پیشرفت در پوشش ویژگی هایی مانند AutoML، الگوریتم ها و چارچوب های داخلی و نوشتن کد و الگوریتم های خود برای ساخت مدل های ML. سپس این کتاب به شما نشان می دهد که چگونه می توانید Amazon SageMaker را با کتابخانه های یادگیری عمیق محبوب مانند TensorFlow و PyTorch ادغام کنید تا قابلیت های مدل های موجود را گسترش دهید. همچنین خواهید دید که چگونه خودکار کردن گردش کار می تواند به شما کمک کند با حداقل تلاش و هزینه کمتر به تولید سریعتر برسید. در نهایت، SageMaker Debugger و SageMaker Model Monitor را برای تشخیص مشکلات کیفیت در آموزش و تولید بررسی خواهید کرد.
در پایان این کتاب آمازون، میتوانید از Amazon SageMaker در طیف کاملی از موارد استفاده کنید. جریان های کاری ML، از آزمایش، آموزش، و نظارت گرفته تا مقیاس بندی، استقرار، و اتوماسیون.
آنچه یاد خواهید گرفت
- با تکنیک های حاشیه نویسی و آماده سازی داده ها به خوبی آشنا شوید< /li>
- استفاده از ویژگیهای AutoML برای ساخت و آموزش مدلهای یادگیری ماشین با AutoPilot
- ایجاد مدلها با استفاده از الگوریتمها و چارچوبهای داخلی و کدهای خود
- آموزش بینایی رایانه و طبیعی مدلهای پردازش زبان (NLP) با استفاده از مثالهای دنیای واقعی
- تکنیکهای آموزشی پوششی برای مقیاسبندی، بهینهسازی مدل، اشکالزدایی مدل، و بهینهسازی هزینه
- تکالیف استقرار خودکار در پیکربندیهای مختلف با استفاده از SDK و چندین ابزار اتوماسیون
این کتاب برای چه کسی است
این کتاب برای مهندسین نرم افزار، توسعه دهندگان یادگیری ماشین، دانشمندان داده و کاربران AWS است که تازه از آمازون استفاده می کنند. SageMaker و می خواهند بدون نگرانی در مورد زیرساخت، مدل های یادگیری ماشینی با کیفیت بالا بسازند. برای درک موثرتر مفاهیم مطرح شده در این کتاب، دانش مبانی AWS مورد نیاز است. درک کامل مفاهیم یادگیری ماشین و زبان برنامه نویسی پایتون نیز مفید خواهد بود.
فهرست محتوا
- معرفی Amazon SageMaker
- Handling Data Preparation تکنیکها
- AutoML با Amazon SageMaker Autopilot
- آموزش مدلهای یادگیری ماشین
- آموزش مدلهای CV
- آموزش مدلهای پردازش زبان طبیعی
- توسعه خدمات یادگیری ماشین با استفاده از چارچوبهای داخلی
- استفاده از الگوریتمها و کد شما
- مقیاسسازی مشاغل آموزشی
- تکنیکهای آموزشی پیشرفته
- خودکار کردن گردشهای کاری یادگیری ماشین
- بهینهسازی هزینه و عملکرد پیشبینی
< li>استقرار مدلهای یادگیری ماشین
tag : دانلود کتاب Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم , Download Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم , دانلود Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم , Download Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition Book , Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم دانلود , buy Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم , خرید کتاب Amazon SageMaker را بیاموزید: راهنمای ساخت، آموزش و استقرار مدل های یادگیری ماشین برای توسعه دهندگان و دانشمندان داده، ویرایش دوم , دانلود کتاب Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition , کتاب Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition , دانلود Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition , خرید Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition , خرید کتاب Learn Amazon SageMaker: A guide to building, training, and deploying machine learning models for developers and data scientists, 2nd Edition ,

نقد و بررسیها
هنوز بررسیای ثبت نشده است.