Data science mit AWS: End-to-End-Pipelines für Continuous Machine Learning implementieren
Saved in:
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Format: | Book |
| Language: | German English |
| Published: |
Heidelberg
O'Reilly
2022
|
| Edition: | 1. Auflage |
| Subjects: | |
| Online Access: | Inhaltsverzeichnis |
| Physical Description: | 548 Seiten Illustrationen |
| ISBN: | 9783960091844 3960091842 |
Staff View
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 | |
Record in the Search Index
| _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 |