Ocena:
Recenzje książki na temat Azure Machine Learning prezentują mieszany worek opinii. Wielu użytkowników docenia dogłębne omówienie koncepcji uczenia maszynowego i praktycznego wykorzystania platformy Azure, podczas gdy niektórzy krytykują ją za to, że jest zbyt podstawowa lub słabo napisana.
Zalety:Wyczerpujące omówienie usług Azure Machine Learning, jasne wyjaśnienia, praktyczne przykłady z kodem Python, dobry przepływ koncepcji, pomocny zarówno dla analityków danych, jak i inżynierów ML, szczegółowe wskazówki dotyczące wdrażania, obejmuje zaawansowane frameworki do wizji komputerowej i NLP.
Wady:Niektórzy uważają książkę za zbyt podstawową lub pozbawioną głębi, nieformalny język, minimalne szczegóły dotyczące konfigurowania złożonych środowisk Azure, jeden z recenzentów określił ją jako rzadką i zawierającą przypadkowe informacje.
(na podstawie 6 opinii czytelników)
Mastering Azure Machine Learning: Perform large-scale end-to-end advanced machine learning on the cloud with Microsoft Azure ML
Opanuj eksperckie techniki tworzenia zautomatyzowanych i wysoce skalowalnych kompleksowych modeli i potoków uczenia maszynowego na platformie Azure przy użyciu TensorFlow, Spark i Kubernetes.
Kluczowe cechy
⬤ Nadaj sens danym w chmurze, wdrażając zaawansowaną analitykę.
⬤ Efektywne trenowanie i optymalizowanie zaawansowanych modeli głębokiego uczenia na platformie Spark przy użyciu usługi Azure Databricks.
⬤ Wdrażanie modeli uczenia maszynowego do scoringu wsadowego i w czasie rzeczywistym za pomocą usługi Azure Kubernetes Service (AKS).
Opis książki
Obserwowany obecnie wzrost ilości danych wymaga systemów rozproszonych, wydajnych algorytmów i skalowalnej infrastruktury chmurowej do obliczania spostrzeżeń oraz trenowania i wdrażania modeli uczenia maszynowego (ML). Ta książka pomoże ci poszerzyć wiedzę na temat tworzenia modeli ML przy użyciu platformy Azure i kompleksowych potoków ML w chmurze.
Książka rozpoczyna się od przeglądu kompleksowego projektu ML i przewodnika po tym, jak wybrać odpowiednią usługę Azure dla różnych zadań ML. Następnie koncentruje się na Azure ML i prowadzi przez proces eksperymentowania z danymi, przygotowywania danych i inżynierii funkcji przy użyciu Azure ML i Python. Poznasz zaawansowane techniki ekstrakcji cech przy użyciu przetwarzania języka naturalnego (NLP), klasyczne techniki ML oraz sekrety zarówno świetnego silnika rekomendacji, jak i wydajnego modelu wizji komputerowej przy użyciu metod głębokiego uczenia. Dowiesz się także, jak trenować, optymalizować i dostrajać modele przy użyciu Azure AutoML i HyperDrive oraz przeprowadzać rozproszone szkolenie w Azure ML. Następnie poznasz różne techniki wdrażania i monitorowania przy użyciu Azure Kubernetes Services z Azure ML, a także podstawy MLOps - DevOps for ML, aby zautomatyzować proces ML jako potok CI/CD.
Pod koniec tej książki opanujesz Azure ML i będziesz w stanie pewnie projektować, budować i obsługiwać skalowalne potoki ML na platformie Azure.
Czego się nauczysz
⬤ Skonfigurować obszar roboczy Azure ML do eksperymentowania i wizualizacji danych.
⬤ Wykonywać ETL, przygotowanie danych i ekstrakcję funkcji przy użyciu najlepszych praktyk Azure.
⬤ Wdrożenie zaawansowanej ekstrakcji cech przy użyciu NLP i osadzania słów.
⬤ Trenuj drzewiaste zespoły wzmacniane gradientem, silniki rekomendacji i głębokie sieci neuronowe na platformie Azure ML.
⬤ Wykorzystanie strojenia hiperparametrów i AutoML do optymalizacji modeli ML.
⬤ Wykorzystanie rozproszonego uczenia maszynowego na klastrach GPU przy użyciu Horovod w usłudze Azure ML.
⬤ Wdrażanie, obsługa i zarządzanie modelami ML na dużą skalę.
⬤ Zautomatyzować kompleksowy proces ML jako potoki CI/CD dla MLOps.
Dla kogo jest ta książka
Ta książka o uczeniu maszynowym jest przeznaczona dla specjalistów od danych, analityków danych, inżynierów danych, naukowców zajmujących się danymi lub programistów uczenia maszynowego, którzy chcą opanować skalowalne, oparte na chmurze architektury uczenia maszynowego na platformie Azure. Ta książka pomoże ci wykorzystać zaawansowane usługi Azure do tworzenia inteligentnych aplikacji uczenia maszynowego. Podstawowa znajomość języka Python i praktyczna wiedza na temat uczenia maszynowego są obowiązkowe.