Nauka o danych na platformie Google Cloud Platform: Implementing End-To-End Real-Time Data Pipelines: Od pozyskiwania do uczenia maszynowego

Opinie czytelników

Książka jest wysoko ceniona za przejrzystą prezentację rzeczywistych przykładów, ustrukturyzowane podejście do nauki o danych i skuteczną integrację narzędzi Google Cloud. Zawiera praktyczne ćwiczenia i studia przypadków, które usprawniają naukę. Jednak ze względu na swoją głębię i złożoność może nie być odpowiedni dla początkujących w nauce o danych.

⬤ Doskonałe przykłady ze świata rzeczywistego
⬤ przejrzysta i uporządkowana prezentacja
⬤ praktyczna praktyka
⬤ przemyślana organizacja
⬤ dobre studia przypadków
⬤ efektywne wykorzystanie storytellingu
⬤ kompleksowe omówienie narzędzi GCP.

Może nie być odpowiedni dla początkujących w nauce o danych; pewna złożoność w zrozumieniu dla nowicjuszy.

(na podstawie 6 opinii czytelników)

Oryginalny tytuł:

Data Science on the Google Cloud Platform: Implementing End-To-End Real-Time Data Pipelines: From Ingest to Machine Learning

Zawartość książki:

Dowiedz się, jak łatwo jest zastosować zaawansowane metody statystyczne i uczenia maszynowego do rzeczywistych problemów, gdy budujesz za pomocą Google Cloud Platform (GCP). Ten praktyczny przewodnik pokazuje inżynierom danych i analitykom danych, jak wdrożyć kompleksowy potok danych, wykorzystując metody i narzędzia statystyczne i uczenia maszynowego na GCP.

W trakcie tej zaktualizowanej drugiej edycji będziesz pracować nad przykładową decyzją biznesową, stosując różne podejścia do nauki o danych. Podążaj za nimi, wdrażając te rozwiązania statystyczne i uczenia maszynowego we własnym projekcie na GCP i odkryj, w jaki sposób platforma ta zapewnia transformacyjny i bardziej oparty na współpracy sposób prowadzenia nauki o danych.

Dowiesz się jak

⬤ Stosować najlepsze praktyki w budowaniu wysoce skalowalnych potoków danych i uczenia maszynowego w Google Cloud.

⬤ Zautomatyzować i zaplanować pozyskiwanie danych za pomocą Cloud Run.

⬤ Tworzyć i wypełniać pulpit nawigacyjny w Data Studio.

⬤ Zbudować potok analityczny w czasie rzeczywistym przy użyciu Pub/Sub, Dataflow i BigQuery.

⬤ Przeprowadzanie interaktywnej eksploracji danych za pomocą BigQuery.

⬤ Tworzenie modelu bayesowskiego za pomocą Sparka w Cloud Dataproc.

⬤ Prognozowanie szeregów czasowych i wykrywanie anomalii za pomocą BigQuery ML.

⬤ Agregacja w oknach czasowych za pomocą Dataflow.

⬤ Trenowanie wyjaśnialnych modeli uczenia maszynowego za pomocą Vertex AI.

⬤ Operacjonalizacja uczenia maszynowego za pomocą potoków Vertex AI.