Descripción
Trabaje sin problemas con sistemas y pipelines de aprendizaje automático listos para producción en AWS abordando los puntos débiles clave encontrados en el ciclo de vida de ML
Características clave:
- Adquiera conocimientos prácticos de la gestión de cargas de trabajo de ML en AWS utilizando Amazon SageMaker, Amazon EKS y más
- Utilice servicios en contenedores y sin servidor para resolver una variedad de requisitos de ingeniería de ML
- Diseñe, construya y asegure pipelines y flujos de trabajo MLOps automatizados en AWS
Descripción del libro:
Existe una creciente necesidad de profesionales con experiencia en requisitos de ingeniería de aprendizaje automático (ML), así como de aquellos con conocimientos en la automatización de complejos pipelines de MLOps en la nube. Este libro explora una variedad de servicios de AWS, como Amazon Elastic Kubernetes Service, AWS Glue, AWS Lambda, Amazon Redshift y AWS Lake Formation, que los profesionales de ML pueden aprovechar para satisfacer diversos requisitos de ingeniería de datos e ingeniería de ML en producción.
Este libro de aprendizaje automático cubre los conceptos esenciales, así como instrucciones paso a paso que están diseñadas para ayudarle a obtener una sólida comprensión de cómo gestionar y asegurar las cargas de trabajo de ML en la nube. A medida que avance en los capítulos, descubrirá cómo utilizar varias soluciones en contenedores y sin servidor al entrenar e implementar modelos de aprendizaje profundo de TensorFlow y PyTorch en AWS. También profundizará en técnicas probadas de optimización de costes, así como en estrategias de privacidad de datos y privacidad de modelos en detalle a medida que explore las mejores prácticas al utilizar cada AWS.
Al final de este libro de AWS, podrá construir, escalar y asegurar sus propios sistemas y pipelines de ML, lo que le brindará la experiencia y la confianza necesarias para diseñar soluciones personalizadas utilizando una variedad de servicios de AWS para los requisitos de ingeniería de ML.
Lo que aprenderá:
- Descubra cómo entrenar e implementar modelos de TensorFlow y PyTorch en AWS
- Utilice contenedores y servicios sin servidor para los requisitos de ingeniería de ML
- Descubra cómo configurar un almacén de datos y un lago de datos sin servidor en AWS
- Construya pipelines MLOps automatizados de extremo a extremo utilizando una variedad de servicios
- Utilice AWS Glue DataBrew y SageMaker Data Wrangler para la ingeniería de datos
- Explore diferentes soluciones para implementar modelos de aprendizaje profundo en AWS
- Aplique técnicas de optimización de costes a entornos y sistemas de ML
- Conserve la privacidad de los datos y la privacidad de los modelos utilizando una variedad de técnicas
A quién va dirigido este libro:
Este libro está dirigido a ingenieros de aprendizaje automático, científicos de datos e ingenieros de la nube de AWS interesados en trabajar en ingeniería de datos de producción, ingeniería de aprendizaje automático y requisitos de MLOps utilizando una variedad de servicios de AWS como Amazon EC2, Amazon Elastic Kubernetes Service (EKS), Amazon SageMaker, AWS Glue, Amazon Redshift, AWS Lake Formation y AWS Lambda; todo lo que necesita es una cuenta de AWS para comenzar. El conocimiento previo de AWS, el aprendizaje automático y el lenguaje de programación Python le ayudará a comprender los conceptos cubiertos en este libro de manera más efectiva.
Autor: Joshua Arvin Lat
Editorial: Packt Publishing
Publicado: 27/10/2022
Páginas: 530
Tipo de encuadernación: Tapa blanda
Peso: 1.98lbs
Tamaño: 9.25h x 7.50w x 1.07d
ISBN13: 9781803247595
ISBN10: 1803247592
Categorías BISAC:
- Computadoras | Ciencia de datos | Modelado y diseño de datos
- Computadoras | Sistemas distribuidos | General
- Computadoras | Procesamiento de imágenes
Este título no es retornable