Verfügbarkeit: Data science mit AWS

Data science mit AWS: End-to-End-Pipelines für Continuous Machine Learning implementieren

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fregly, Chris (VerfasserIn), Barth, Antje (VerfasserIn)
Weitere Verfasser:	Fraaß, Marcus (ÜbersetzerIn)
Format:	Buch
Sprache:	German English
Veröffentlicht:	Heidelberg O'Reilly 2022
Ausgabe:	1. Auflage
Schlagworte:	Amazon Web Services Data Science Cloud Computing Data Mining Datenanalyse Python Continuous AI Amazon AI KI Künstliche Intelligenz Data Engineering NLP Natural Language Processing Computer Vision Modelltraining Deployment Cloud Big Data Cloud Services
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	548 Seiten Illustrationen
ISBN:	9783960091844 3960091842

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV048231379
003	DE-604
005	20221207
007	t
008	220518s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 21,N48 \|2 dnb
015			\|a 22,A19 \|2 dnb
016	7		\|a 1246542552 \|2 DE-101
020			\|a 9783960091844 \|c Broschur : circa EUR 49.90 (DE), circa EUR 51.30 (AT) \|9 978-3-96009-184-4
020			\|a 3960091842 \|9 3-96009-184-2
024	3		\|a 9783960091844
035			\|a (OCoLC)1322801266
035			\|a (DE-599)DNB1246542552
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-1102 \|a DE-706 \|a DE-1051 \|a DE-824 \|a DE-1043 \|a DE-739 \|a DE-20
082	0	4	\|a 005.7 \|2 23/ger
082	0		\|a 004.6782 \|2 23/ger
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
084			\|a ST 515 \|0 (DE-625)143677: \|2 rvk
084			\|8 1\p \|a 004 \|2 23sdnb
100	1		\|a Fregly, Chris \|e Verfasser \|0 (DE-588)125406480X \|4 aut
240	1	0	\|a Data science on AWS
245	1	0	\|a Data science mit AWS \|b End-to-End-Pipelines für Continuous Machine Learning implementieren \|c Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c 2022
300			\|a 548 Seiten \|b Illustrationen
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Amazon Web Services \|0 (DE-588)1143985591 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Science \|0 (DE-588)1140936166 \|2 gnd \|9 rswk-swf
650	0	7	\|a Cloud Computing \|0 (DE-588)7623494-0 \|2 gnd \|9 rswk-swf
653			\|a Data Mining
653			\|a Datenanalyse
653			\|a Python
653			\|a Continuous AI
653			\|a Amazon AI
653			\|a KI
653			\|a Künstliche Intelligenz
653			\|a Data Engineering
653			\|a NLP
653			\|a Natural Language Processing
653			\|a Computer Vision
653			\|a Modelltraining
653			\|a Deployment
653			\|a Cloud
653			\|a Amazon Web Services
653			\|a Big Data
653			\|a Cloud Services
689	0	0	\|a Data Science \|0 (DE-588)1140936166 \|D s
689	0	1	\|a Amazon Web Services \|0 (DE-588)1143985591 \|D s
689	0	2	\|a Cloud Computing \|0 (DE-588)7623494-0 \|D s
689	0		\|5 DE-604
700	1		\|a Barth, Antje \|e Verfasser \|0 (DE-588)1254064907 \|4 aut
700	1		\|a Fraaß, Marcus \|0 (DE-588)1181254078 \|4 trl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 9783960106555
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 9783960106562
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 9783960106579
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033612067&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-033612067
883	2		\|8 1\p \|a dnb \|d 20220502 \|q DE-101 \|u https://d-nb.info/provenance/plan#dnb

Datensatz im Suchindex

_version_	1804184014617051136
adam_text	INHALT VORWORT ............................................................................................ 11 1 DATA SCIENCE MIT AWS-EINE EINFUEHRUNG ............................................. 19 VORZUEGE DES CLOUD COMPUTING ................................................................. 19 DATA-SCIENCE-PIPELINES UND -WORKFLOWS ................................................... 22 BEST PRACTICES FUER MLOPS .......................................................................... 26 AMAZONS KL-SERVICES UND AUTOML MIT AMAZON SAGEMAKER ................. 30 DATENAUFNAHME, -EXPLORATION UND -AUFBEREITUNG IN AWS ..................... 33 MODELLE MIT AMAZON SAGEMAKER TRAINIEREN UND FEINTUNEN ..................... 39 MODELLE MIT AMAZON SAGEMAKER UND AWS LAMBDA FUNCTIONS DEPLOYEN ..................................................................................................... 42 STREAMING-ANALYSEN UND MACHINE LEARNING MIT AWS ........................... 43 AWS-INFRASTRUKTUR UND INDIVIDUELL ZUSAMMENGESTELLTE HARDWARE ........ 45 KOSTEN MIT TAGS, BUDGETS UND ALERTS EINSPAREN ...................................... 49 ZUSAMMENFASSUNG ...................................................................................... 49 2 ANWENDUNGSBEISPIELE AUS DEM BEREICH DATA SCIENCE ............................. 51 INNOVATIONEN IN ALLEN BRANCHEN ................................................................. 51 PERSONALISIERTE PRODUKTEMPFEHLUNGEN ....................................................... 52 UNANGEMESSENE VIDEOS MIT AMAZON REKOGNITION ERKENNEN ................. 58 BEDARFSPROGNOSE ........................................................................................ 60 BETRUEGERISCHE BENUTZERKONTEN MIT AMAZON FRAUD DETECTOR IDENTIFIZIEREN ............................................................................................... 64 DATENSCHUTZLUECKEN MIT AMAZON MACIE ERKENNEN .................................... 66 CONVERSATIONAL DEVICES UND SPRACHASSISTENTEN ........................................ 67 TEXTANALYSE UND NATURAL LANGUAGE PROCESSING ........................................ 68 COGNITIVE SEARCH UND NATURAL LANGUAGE UNDERSTANDING ....................... 73 INTELLIGENTE KUNDENBETREUUNGSZENTREN ..................................................... 75 INDUSTRIELLE KL-SERVICES UND VORAUSSCHAUENDE WARTUNG (PREDICTIVE MAINTENANCE) ............................................................................ 75 I 5 HEIMAUTOMATISIERUNG MIT AWS LOT UND AMAZON SAGEMAKER ............... 76 MEDIZINISCHE INFORMATIONEN AUS GESUNDHEITSDOKUMENTEN AUSLESEN. . . 78 SELBSTOPTIMIERENDE UND INTELLIGENTE CLOUD-INFRASTRUKTUR ....................... 79 KOGNITIVE UND PRAEDIKTIVE BUSINESS INTELLIGENCE (BI) ................................ 80 DIE NAECHSTE GENERATION VON KI UND ML-ENTWICKLERN AUSBILDEN ........... 84 MITHILFE VON QUANTENCOMPUTERN DAS BETRIEBSSYSTEM DER NATUR PROGRAMMIEREN ........................................................................................... 89 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 94 ZUSAMMENFASSUNG .................................................................................... 97 3 AUTOMATISIERTES MACHINE LEARNING .................................................... 99 AUTOMATISIERTES MACHINE LEARNING MIT SAGEMAKER AUTOPILOT ............... 100 EXPERIMENTE MIT SAGEMAKER AUTOPILOT TRACKEN ...................................... 102 EINEN TEXTKLASSIFIKATOR MIT SAGEMAKER AUTOPILOT TRAINIEREN UND DEPLOYEN ..................................................................................................... 103 AUTOMATISIERTES MACHINE LEARNING MIT AMAZON COMPREHEND ............. 116 ZUSAMMENFASSUNG .................................................................................... 120 4 DATENAUFNAHME IN DIE CLOUD ........................................................... 123 DATA LAKES ................................................................................................. 124 AMAZON-S3-BASIERTE DATA LAKES MIT AMAZON ATHENA ABFRAGEN ............. 131 MIT DEM AWS GLUE CRAWLER KONTINUIERLICH NEUE DATEN AUFNEHMEN. . . 137 MIT AMAZON REDSHIFT SPECTRUM EIN LAKE HOUSE AUFBAUEN ................... 138 ZWISCHEN AMAZON ATHENA UND AMAZON REDSHIFT WAEHLEN ..................... 146 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 147 ZUSAMMENFASSUNG .................................................................................... 155 5 EXPLORATION DES DATENSATZES ........................................................... 157 TOOLS FUER DIE EXPLORATIVE DATENANALYSE IN AWS ....................................... 158 MIT SAGEMAKER STUDIO DATEN AUS DEM DATA LAKE VISUALISIEREN ............. 159 ABFRAGEN AUF UNSEREM DATA WAREHOUSE DURCHFUEHREN ........................... 172 DASHBOARDS MIT AMAZON QUICKSIGHT ERSTELLEN ........................................ 180 PROBLEME IM HINBLICK AUF DIE DATENQUALITAET MITHILFE VON AMAZON SAGEMAKER UND APACHE SPARK ERKENNEN .................................. 181 BIAS IN UNSEREM DATENSATZ ERKENNEN ....................................................... 188 VERSCHIEDENE ARTEN VON DRIFT MIT SAGEMAKER CLARIFY ERKENNEN ............. 196 UNSERE DATEN MIT AWS GLUE DATABREW ANALYSIEREN .............................. 198 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 200 ZUSAMMENFASSUNG .................................................................................... 203 6 \| INHALT 6 VORBEREITUNG DES DATENSATZES FUER DAS MODELLTRAINING ............................ 205 FEATURE SELECTION UND FEATURE ENGINEERING .............................................. 205 DAS FEATURE ENGINEERING MITHILFE VON SAGEMAKER PROCESSING JOBS SKALIEREN ....................................................................................................... 220 FEATURES UEBER DEN SAGEMAKER FEATURE STORE GEMEINSAM NUTZEN ............. 1TJ DATEN MIT SAGEMAKER DATA WRANGLER EINLESEN UND TRANSFORMIEREN .... 231 ARTEFAKT UND EXPERIMENT-LINEAGE MIT AMAZON SAGEMAKER TRACKEN . .. 233 DATEN MIT AWS GLUE DATABREW AUFNEHMEN UND TRANSFORMIEREN .......... 238 ZUSAMMENFASSUNG ...................................................................................... 240 7 DAS ERSTE MODELL TRAINIEREN .............................................................. 241 DIE INFRASTRUKTUR VON SAGEMAKER VERSTEHEN ............................................ 241 EIN VORTRAINIERTES BERT-MODELL MIT SAGEMAKER JUMPSTART DEPLOYEN ..................................................................................................... 246 MODELLE IN SAGEMAKER ENTWICKELN ............................................................. 248 EIN KURZER UEBERBLICK UEBER DIE HISTORISCHE ENTWICKLUNG DES NATURAL LANGUAGE PROCESSING ................................................................... 251 DIE TRANSFORMER-ARCHITEKTUR VON BERT ................................................... 253 BERT VON GRUND AUF TRAINIEREN ................................................................. 256 FEINTUNING EINES VORTRAINIERTEN BERT-MODELLS ........................................ 258 DAS TRAININGSSKRIPT ERSTELLEN ...................................................................... 261 DAS TRAININGSSKRIPT AUS EINEM SAGEMAKER-NOTEBOOK AUSFUEHREN .......... 268 MODELLE EVALUIEREN ...................................................................................... 275 DEBUGGING UND PROFILING DES MODELLTRAININGS MIT SAGEMAKER DEBUGGER ..................................................................................................... 281 MODELLVORHERSAGEN INTERPRETIEREN UND ERKLAEREN ...................................... 286 BIAS IN MODELLEN ERKENNEN UND VORHERSAGEN ERKLAEREN ........................... 291 WEITERE MOEGLICHKEITEN IM RAHMEN DES TRAININGS VON BERT ................. 296 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 305 ZUSAMMENFASSUNG ...................................................................................... 312 8 MODELLE IN GROSSEM MASSSTAB TRAINIEREN UND OPTIMIEREN .......................... 313 AUTOMATISCH NACH DEN BESTEN HYPERPARAMETERN VON MODELLEN SUCHEN ......................................................................................................... 313 EINEN WARMSTART FUER ZUSAETZLICHE SAGEMAKER-HPT-JOBS VERWENDEN .... 321 DAS TRAINING MIT SAGEMAKER DISTRIBUTED TRAINING VERTEILEN UND SKALIEREN ...................................................................................................... 325 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 332 ZUSAMMENFASSUNG ...................................................................................... 336 INHALT \| 7 9 DEPLOYMENT VON MODELLEN IN DIE PRODUKTION ...................................... 339 ZWISCHEN VORHERSAGEN IN ECHTZEIT ODER BATCH-VORHERSAGEN WAEHLEN . . . 339 ECHTZEITVORHERSAGEN MIT SAGEMAKER ENDPOINTS ...................................... 341 SAGEMAKER ENDPOINTS AUTOMATISCH MIT AMAZON CLOUDWATCH SKALIEREN ..................................................................................................... 349 STRATEGIEN FUER DAS DEPLOYMENT NEUER ODER AKTUALISIERTER MODELLE ........ 354 NEUE MODELLE TESTEN UND VERGLEICHEN ....................................................... 358 MONITORING DER MODELLLEISTUNG UND DRIFT ERKENNEN ................................ 371 DIE QUALITAET DER EIN UND AUSGEHENDEN DATEN DER IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS UEBERWACHEN .................................... 374 MONITORING DER MODELLQUALITAET VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS ................................................................................ 380 MONITORING DER BIAS-DRIFT VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS ................................................................................................... 385 MONITORING DER DRIFT DER FEATURE ATTRIBUTION VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS ......................................................... 388 BATCH-VORHERSAGEN MIT SAGEMAKER BATCH TRANSFORM DURCHFUEHREN .... 391 AWS LAMBDA FUNCTIONS UND AMAZON API GATEWAY .............................. 397 MODELLE AUF EDGE-GERAETEN OPTIMIEREN UND VERWALTEN ............................ 398 PYTORCH-MODELLE MIT TORCHSERVE DEPLOYEN ............................................ 398 INFERENZ FUER TENSORFLOW-BASIERTE BERT-MODELLE MIT DER AWS-DEEP-JAVA-BIBLIOTHEK ...................................................................... 400 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 402 ZUSAMMENFASSUNG ..................................................................................... 408 10 PIPELINES UND MLOPS ..................................................................... 409 MACHINE LEARNING OPERATIONS (MLOPS) ................................................. 409 SOFTWARE-PIPELINES ....................................................................................... 411 MACHINE-LEARNING-PIPELINES ...................................................................... 411 PIPELINES MIT SAGEMAKER PIPELINES ORCHESTRIEREN .................................... 416 PIPELINES MIT SAGEMAKER PIPELINES AUTOMATISIEREN .................................. 427 WEITERE OPTIONEN FUER PIPELINES ............................................................... 432 HUMAN-IN-THE-LOOP-WORKFLOWS ............................................................... 442 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 448 ZUSAMMENFASSUNG .................................................................................... 449 11 STREAMING-ANALYSEN UND MACHINE LEARNING ........................................ 451 UNTERSCHIEDE ZWISCHEN ONLINE LEARNING UND OFFLINE LEARNING ............. 452 STREAMING-ANWENDUNGEN .......................................................................... 453 WINDOWED QUERIES FUER STREAMING-DATEN ................................................. 454 STREAMING-ANALYSEN UND MACHINE LEARNING MIT AWS ........................... 458 8 \| INHALT PRODUKTREZENSIONEN IN ECHTZEIT MIT AMAZON KINESIS, AWS LAMBDA UND AMAZON SAGEMAKER KLASSIFIZIEREN ..................................................... 459 STREAMING-DATEN MIT AMAZON KINESIS DATA FIREHOSE AUFNEHMEN ........... 460 ZUSAMMENFASSENDE METRIKEN FUER PRODUKTREZENSIONEN MITHILFE VON STREAMING-ANALYSEN IN ECHTZEIT ERMITTELN .......................................... 465 AMAZON KINESIS DATA ANALYTICS EINRICHTEN ........................... 466 AMAZON-KINESIS-DATA-ANALYTICS-ANWENDUNGEN ...................................... 475 PRODUKTREZENSIONEN MIT APACHE KAFKA, AWS LAMBDA UND AMAZON SAGEMAKER KLASSIFIZIEREN ............................................................. 482 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 483 ZUSAMMENFASSUNG ...................................................................................... 485 12 SICHERHEIT VON DATA-SCIENCE-PROJEKTEN AUF AWS .................................... 487 MODELL DER GETEILTEN VERANTWORTUNG ZWISCHEN AWS UND SEINEN KUNDEN ....................................................................................................... 487 AWS IDENTITY AND ACCESS MANAGEMENT (IAM) ANWENDEN ..................... 489 RECHEN UND NETZWERKUMGEBUNGEN ISOLIEREN .......................................... 497 ZUGRIFF AUF DATEN VON AMAZON S3 SCHUETZEN ............................................ 500 VERSCHLUESSELUNG IM RUHEZUSTAND (ENCRYPTION AT REST) .......................... 509 VERSCHLUESSELUNG BEI DER UEBERTRAGUNG VON DATEN (ENCRYPTION IN TRANSIT) .............................................................................. 513 SAGEMAKER-NOTEBOOK-INSTANZEN SCHUETZEN .............................................. 515 SAGEMAKER STUDIOSCHUETZEN ........................................................................ 516 SAGEMAKER-JOBS UND MODELLE SCHUETZEN ..................................................... 519 DATEN MIT AWS LAKE FORMATION SCHUETZEN .............................................. 523 DATENBANKZUGANGSDATEN MIT AWS SECRETS MANAGER SCHUETZEN ............... 523 GOVERNANCE ................................................................................................. 524 AUDITIERBARKEIT ............................................................................................. 527 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN ........................................ 529 ZUSAMMENFASSUNG ...................................................................................... 531 INDEX ............................................................................................... 533 INHALT \| 9
adam_txt	INHALT VORWORT . 11 1 DATA SCIENCE MIT AWS-EINE EINFUEHRUNG . 19 VORZUEGE DES CLOUD COMPUTING . 19 DATA-SCIENCE-PIPELINES UND -WORKFLOWS . 22 BEST PRACTICES FUER MLOPS . 26 AMAZONS KL-SERVICES UND AUTOML MIT AMAZON SAGEMAKER . 30 DATENAUFNAHME, -EXPLORATION UND -AUFBEREITUNG IN AWS . 33 MODELLE MIT AMAZON SAGEMAKER TRAINIEREN UND FEINTUNEN . 39 MODELLE MIT AMAZON SAGEMAKER UND AWS LAMBDA FUNCTIONS DEPLOYEN . 42 STREAMING-ANALYSEN UND MACHINE LEARNING MIT AWS . 43 AWS-INFRASTRUKTUR UND INDIVIDUELL ZUSAMMENGESTELLTE HARDWARE . 45 KOSTEN MIT TAGS, BUDGETS UND ALERTS EINSPAREN . 49 ZUSAMMENFASSUNG . 49 2 ANWENDUNGSBEISPIELE AUS DEM BEREICH DATA SCIENCE . 51 INNOVATIONEN IN ALLEN BRANCHEN . 51 PERSONALISIERTE PRODUKTEMPFEHLUNGEN . 52 UNANGEMESSENE VIDEOS MIT AMAZON REKOGNITION ERKENNEN . 58 BEDARFSPROGNOSE . 60 BETRUEGERISCHE BENUTZERKONTEN MIT AMAZON FRAUD DETECTOR IDENTIFIZIEREN . 64 DATENSCHUTZLUECKEN MIT AMAZON MACIE ERKENNEN . 66 CONVERSATIONAL DEVICES UND SPRACHASSISTENTEN . 67 TEXTANALYSE UND NATURAL LANGUAGE PROCESSING . 68 COGNITIVE SEARCH UND NATURAL LANGUAGE UNDERSTANDING . 73 INTELLIGENTE KUNDENBETREUUNGSZENTREN . 75 INDUSTRIELLE KL-SERVICES UND VORAUSSCHAUENDE WARTUNG (PREDICTIVE MAINTENANCE) . 75 I 5 HEIMAUTOMATISIERUNG MIT AWS LOT UND AMAZON SAGEMAKER . 76 MEDIZINISCHE INFORMATIONEN AUS GESUNDHEITSDOKUMENTEN AUSLESEN. . . 78 SELBSTOPTIMIERENDE UND INTELLIGENTE CLOUD-INFRASTRUKTUR . 79 KOGNITIVE UND PRAEDIKTIVE BUSINESS INTELLIGENCE (BI) . 80 DIE NAECHSTE GENERATION VON KI UND ML-ENTWICKLERN AUSBILDEN . 84 MITHILFE VON QUANTENCOMPUTERN DAS BETRIEBSSYSTEM DER NATUR PROGRAMMIEREN . 89 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 94 ZUSAMMENFASSUNG . 97 3 AUTOMATISIERTES MACHINE LEARNING . 99 AUTOMATISIERTES MACHINE LEARNING MIT SAGEMAKER AUTOPILOT . 100 EXPERIMENTE MIT SAGEMAKER AUTOPILOT TRACKEN . 102 EINEN TEXTKLASSIFIKATOR MIT SAGEMAKER AUTOPILOT TRAINIEREN UND DEPLOYEN . 103 AUTOMATISIERTES MACHINE LEARNING MIT AMAZON COMPREHEND . 116 ZUSAMMENFASSUNG . 120 4 DATENAUFNAHME IN DIE CLOUD . 123 DATA LAKES . 124 AMAZON-S3-BASIERTE DATA LAKES MIT AMAZON ATHENA ABFRAGEN . 131 MIT DEM AWS GLUE CRAWLER KONTINUIERLICH NEUE DATEN AUFNEHMEN. . . 137 MIT AMAZON REDSHIFT SPECTRUM EIN LAKE HOUSE AUFBAUEN . 138 ZWISCHEN AMAZON ATHENA UND AMAZON REDSHIFT WAEHLEN . 146 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 147 ZUSAMMENFASSUNG . 155 5 EXPLORATION DES DATENSATZES . 157 TOOLS FUER DIE EXPLORATIVE DATENANALYSE IN AWS . 158 MIT SAGEMAKER STUDIO DATEN AUS DEM DATA LAKE VISUALISIEREN . 159 ABFRAGEN AUF UNSEREM DATA WAREHOUSE DURCHFUEHREN . 172 DASHBOARDS MIT AMAZON QUICKSIGHT ERSTELLEN . 180 PROBLEME IM HINBLICK AUF DIE DATENQUALITAET MITHILFE VON AMAZON SAGEMAKER UND APACHE SPARK ERKENNEN . 181 BIAS IN UNSEREM DATENSATZ ERKENNEN . 188 VERSCHIEDENE ARTEN VON DRIFT MIT SAGEMAKER CLARIFY ERKENNEN . 196 UNSERE DATEN MIT AWS GLUE DATABREW ANALYSIEREN . 198 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 200 ZUSAMMENFASSUNG . 203 6 \| INHALT 6 VORBEREITUNG DES DATENSATZES FUER DAS MODELLTRAINING . 205 FEATURE SELECTION UND FEATURE ENGINEERING . 205 DAS FEATURE ENGINEERING MITHILFE VON SAGEMAKER PROCESSING JOBS SKALIEREN . 220 FEATURES UEBER DEN SAGEMAKER FEATURE STORE GEMEINSAM NUTZEN . 1TJ DATEN MIT SAGEMAKER DATA WRANGLER EINLESEN UND TRANSFORMIEREN . 231 ARTEFAKT UND EXPERIMENT-LINEAGE MIT AMAZON SAGEMAKER TRACKEN . . 233 DATEN MIT AWS GLUE DATABREW AUFNEHMEN UND TRANSFORMIEREN . 238 ZUSAMMENFASSUNG . 240 7 DAS ERSTE MODELL TRAINIEREN . 241 DIE INFRASTRUKTUR VON SAGEMAKER VERSTEHEN . 241 EIN VORTRAINIERTES BERT-MODELL MIT SAGEMAKER JUMPSTART DEPLOYEN . 246 MODELLE IN SAGEMAKER ENTWICKELN . 248 EIN KURZER UEBERBLICK UEBER DIE HISTORISCHE ENTWICKLUNG DES NATURAL LANGUAGE PROCESSING . 251 DIE TRANSFORMER-ARCHITEKTUR VON BERT . 253 BERT VON GRUND AUF TRAINIEREN . 256 FEINTUNING EINES VORTRAINIERTEN BERT-MODELLS . 258 DAS TRAININGSSKRIPT ERSTELLEN . 261 DAS TRAININGSSKRIPT AUS EINEM SAGEMAKER-NOTEBOOK AUSFUEHREN . 268 MODELLE EVALUIEREN . 275 DEBUGGING UND PROFILING DES MODELLTRAININGS MIT SAGEMAKER DEBUGGER . 281 MODELLVORHERSAGEN INTERPRETIEREN UND ERKLAEREN . 286 BIAS IN MODELLEN ERKENNEN UND VORHERSAGEN ERKLAEREN . 291 WEITERE MOEGLICHKEITEN IM RAHMEN DES TRAININGS VON BERT . 296 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 305 ZUSAMMENFASSUNG . 312 8 MODELLE IN GROSSEM MASSSTAB TRAINIEREN UND OPTIMIEREN . 313 AUTOMATISCH NACH DEN BESTEN HYPERPARAMETERN VON MODELLEN SUCHEN . 313 EINEN WARMSTART FUER ZUSAETZLICHE SAGEMAKER-HPT-JOBS VERWENDEN . 321 DAS TRAINING MIT SAGEMAKER DISTRIBUTED TRAINING VERTEILEN UND SKALIEREN . 325 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 332 ZUSAMMENFASSUNG . 336 INHALT \| 7 9 DEPLOYMENT VON MODELLEN IN DIE PRODUKTION . 339 ZWISCHEN VORHERSAGEN IN ECHTZEIT ODER BATCH-VORHERSAGEN WAEHLEN . . . 339 ECHTZEITVORHERSAGEN MIT SAGEMAKER ENDPOINTS . 341 SAGEMAKER ENDPOINTS AUTOMATISCH MIT AMAZON CLOUDWATCH SKALIEREN . 349 STRATEGIEN FUER DAS DEPLOYMENT NEUER ODER AKTUALISIERTER MODELLE . 354 NEUE MODELLE TESTEN UND VERGLEICHEN . 358 MONITORING DER MODELLLEISTUNG UND DRIFT ERKENNEN . 371 DIE QUALITAET DER EIN UND AUSGEHENDEN DATEN DER IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS UEBERWACHEN . 374 MONITORING DER MODELLQUALITAET VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS . 380 MONITORING DER BIAS-DRIFT VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS . 385 MONITORING DER DRIFT DER FEATURE ATTRIBUTION VON IM EINSATZ BEFINDLICHEN SAGEMAKER ENDPOINTS . 388 BATCH-VORHERSAGEN MIT SAGEMAKER BATCH TRANSFORM DURCHFUEHREN . 391 AWS LAMBDA FUNCTIONS UND AMAZON API GATEWAY . 397 MODELLE AUF EDGE-GERAETEN OPTIMIEREN UND VERWALTEN . 398 PYTORCH-MODELLE MIT TORCHSERVE DEPLOYEN . 398 INFERENZ FUER TENSORFLOW-BASIERTE BERT-MODELLE MIT DER AWS-DEEP-JAVA-BIBLIOTHEK . 400 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 402 ZUSAMMENFASSUNG . 408 10 PIPELINES UND MLOPS . 409 MACHINE LEARNING OPERATIONS (MLOPS) . 409 SOFTWARE-PIPELINES . 411 MACHINE-LEARNING-PIPELINES . 411 PIPELINES MIT SAGEMAKER PIPELINES ORCHESTRIEREN . 416 PIPELINES MIT SAGEMAKER PIPELINES AUTOMATISIEREN . 427 WEITERE OPTIONEN FUER PIPELINES . 432 HUMAN-IN-THE-LOOP-WORKFLOWS . 442 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 448 ZUSAMMENFASSUNG . 449 11 STREAMING-ANALYSEN UND MACHINE LEARNING . 451 UNTERSCHIEDE ZWISCHEN ONLINE LEARNING UND OFFLINE LEARNING . 452 STREAMING-ANWENDUNGEN . 453 WINDOWED QUERIES FUER STREAMING-DATEN . 454 STREAMING-ANALYSEN UND MACHINE LEARNING MIT AWS . 458 8 \| INHALT PRODUKTREZENSIONEN IN ECHTZEIT MIT AMAZON KINESIS, AWS LAMBDA UND AMAZON SAGEMAKER KLASSIFIZIEREN . 459 STREAMING-DATEN MIT AMAZON KINESIS DATA FIREHOSE AUFNEHMEN . 460 ZUSAMMENFASSENDE METRIKEN FUER PRODUKTREZENSIONEN MITHILFE VON STREAMING-ANALYSEN IN ECHTZEIT ERMITTELN . 465 AMAZON KINESIS DATA ANALYTICS EINRICHTEN . 466 AMAZON-KINESIS-DATA-ANALYTICS-ANWENDUNGEN . 475 PRODUKTREZENSIONEN MIT APACHE KAFKA, AWS LAMBDA UND AMAZON SAGEMAKER KLASSIFIZIEREN . 482 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 483 ZUSAMMENFASSUNG . 485 12 SICHERHEIT VON DATA-SCIENCE-PROJEKTEN AUF AWS . 487 MODELL DER GETEILTEN VERANTWORTUNG ZWISCHEN AWS UND SEINEN KUNDEN . 487 AWS IDENTITY AND ACCESS MANAGEMENT (IAM) ANWENDEN . 489 RECHEN UND NETZWERKUMGEBUNGEN ISOLIEREN . 497 ZUGRIFF AUF DATEN VON AMAZON S3 SCHUETZEN . 500 VERSCHLUESSELUNG IM RUHEZUSTAND (ENCRYPTION AT REST) . 509 VERSCHLUESSELUNG BEI DER UEBERTRAGUNG VON DATEN (ENCRYPTION IN TRANSIT) . 513 SAGEMAKER-NOTEBOOK-INSTANZEN SCHUETZEN . 515 SAGEMAKER STUDIOSCHUETZEN . 516 SAGEMAKER-JOBS UND MODELLE SCHUETZEN . 519 DATEN MIT AWS LAKE FORMATION SCHUETZEN . 523 DATENBANKZUGANGSDATEN MIT AWS SECRETS MANAGER SCHUETZEN . 523 GOVERNANCE . 524 AUDITIERBARKEIT . 527 KOSTEN EINSPAREN UND DIE LEISTUNG VERBESSERN . 529 ZUSAMMENFASSUNG . 531 INDEX . 533 INHALT \| 9
any_adam_object	1
any_adam_object_boolean	1
author	Fregly, Chris Barth, Antje
author2	Fraaß, Marcus
author2_role	trl
author2_variant	m f mf
author_GND	(DE-588)125406480X (DE-588)1254064907 (DE-588)1181254078
author_facet	Fregly, Chris Barth, Antje Fraaß, Marcus
author_role	aut aut
author_sort	Fregly, Chris
author_variant	c f cf a b ab
building	Verbundindex
bvnumber	BV048231379
classification_rvk	ST 300 ST 530 ST 515
ctrlnum	(OCoLC)1322801266 (DE-599)DNB1246542552
dewey-full	005.7 004.6782
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	005 - Computer programming, programs, data, security 004 - Computer science
dewey-raw	005.7 004.6782
dewey-search	005.7 004.6782
dewey-sort	15.7
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
discipline_str_mv	Informatik
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02979nam a2200793 c 4500</leader><controlfield tag="001">BV048231379</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221207 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">220518s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">21,N48</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">22,A19</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1246542552</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091844</subfield><subfield code="c">Broschur : circa EUR 49.90 (DE), circa EUR 51.30 (AT)</subfield><subfield code="9">978-3-96009-184-4</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960091842</subfield><subfield code="9">3-96009-184-2</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960091844</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1322801266</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1246542552</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1102</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-20</subfield></datafield><datafield tag="082" ind1="0" ind2="4"><subfield code="a">005.7</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">004.6782</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 515</subfield><subfield code="0">(DE-625)143677:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Fregly, Chris</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)125406480X</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Data science on AWS</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data science mit AWS</subfield><subfield code="b">End-to-End-Pipelines für Continuous Machine Learning implementieren</subfield><subfield code="c">Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">548 Seiten</subfield><subfield code="b">Illustrationen</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Amazon Web Services</subfield><subfield code="0">(DE-588)1143985591</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Cloud Computing</subfield><subfield code="0">(DE-588)7623494-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Mining</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Continuous AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Amazon AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Engineering</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">NLP</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Natural Language Processing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Computer Vision</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Modelltraining</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deployment</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Cloud</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Amazon Web Services</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Cloud Services</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Amazon Web Services</subfield><subfield code="0">(DE-588)1143985591</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Cloud Computing</subfield><subfield code="0">(DE-588)7623494-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Barth, Antje</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1254064907</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Fraaß, Marcus</subfield><subfield code="0">(DE-588)1181254078</subfield><subfield code="4">trl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">9783960106555</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">9783960106562</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">9783960106579</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033612067&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-033612067</subfield></datafield><datafield tag="883" ind1="2" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">dnb</subfield><subfield code="d">20220502</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#dnb</subfield></datafield></record></collection>
id	DE-604.BV048231379
illustrated	Illustrated
index_date	2024-07-03T19:51:21Z
indexdate	2024-07-10T09:32:36Z
institution	BVB
isbn	9783960091844 3960091842
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-033612067
oclc_num	1322801266
open_access_boolean
owner	DE-1102 DE-706 DE-1051 DE-824 DE-1043 DE-739 DE-20
owner_facet	DE-1102 DE-706 DE-1051 DE-824 DE-1043 DE-739 DE-20
physical	548 Seiten Illustrationen
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
publisher	O'Reilly
record_format	marc
spelling	Fregly, Chris Verfasser (DE-588)125406480X aut Data science on AWS Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß 1. Auflage Heidelberg O'Reilly 2022 548 Seiten Illustrationen txt rdacontent n rdamedia nc rdacarrier Amazon Web Services (DE-588)1143985591 gnd rswk-swf Data Science (DE-588)1140936166 gnd rswk-swf Cloud Computing (DE-588)7623494-0 gnd rswk-swf Data Mining Datenanalyse Python Continuous AI Amazon AI KI Künstliche Intelligenz Data Engineering NLP Natural Language Processing Computer Vision Modelltraining Deployment Cloud Amazon Web Services Big Data Cloud Services Data Science (DE-588)1140936166 s Amazon Web Services (DE-588)1143985591 s Cloud Computing (DE-588)7623494-0 s DE-604 Barth, Antje Verfasser (DE-588)1254064907 aut Fraaß, Marcus (DE-588)1181254078 trl Erscheint auch als Online-Ausgabe, PDF 9783960106555 Erscheint auch als Online-Ausgabe, EPUB 9783960106562 Erscheint auch als Online-Ausgabe, MOBI 9783960106579 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033612067&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p dnb 20220502 DE-101 https://d-nb.info/provenance/plan#dnb
spellingShingle	Fregly, Chris Barth, Antje Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren Amazon Web Services (DE-588)1143985591 gnd Data Science (DE-588)1140936166 gnd Cloud Computing (DE-588)7623494-0 gnd
subject_GND	(DE-588)1143985591 (DE-588)1140936166 (DE-588)7623494-0
title	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren
title_alt	Data science on AWS
title_auth	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren
title_exact_search	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren
title_exact_search_txtP	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren
title_full	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß
title_fullStr	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß
title_full_unstemmed	Data science mit AWS End-to-End-Pipelines für Continuous Machine Learning implementieren Chris Fregly & Antje Barth ; deutsche Übersetzung von Marcus Fraaß
title_short	Data science mit AWS
title_sort	data science mit aws end to end pipelines fur continuous machine learning implementieren
title_sub	End-to-End-Pipelines für Continuous Machine Learning implementieren
topic	Amazon Web Services (DE-588)1143985591 gnd Data Science (DE-588)1140936166 gnd Cloud Computing (DE-588)7623494-0 gnd
topic_facet	Amazon Web Services Data Science Cloud Computing
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033612067&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT freglychris datascienceonaws AT barthantje datascienceonaws AT fraaßmarcus datascienceonaws AT freglychris datasciencemitawsendtoendpipelinesfurcontinuousmachinelearningimplementieren AT barthantje datasciencemitawsendtoendpipelinesfurcontinuousmachinelearningimplementieren AT fraaßmarcus datasciencemitawsendtoendpipelinesfurcontinuousmachinelearningimplementieren

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge