Ocena:
Recenzje książki „Learn Amazon SageMaker (Second Edition)” autorstwa Juliena Simona podkreślają jej skuteczność jako kompleksowego i praktycznego przewodnika do zrozumienia i korzystania z Amazon SageMaker. Wielu recenzentów docenia praktyczne podejście, przejrzystość i zakres książki, obejmujący szeroki zakres tematów istotnych dla naukowców zajmujących się danymi, analityków i entuzjastów uczenia maszynowego. Niektórzy zwracają jednak uwagę na zwięzłość książki w niektórych zaawansowanych tematach i potencjalnych wyzwaniach.
Zalety:⬤ Kompleksowe omówienie funkcji SageMaker, w tym praktyczne ćwiczenia.
⬤ Przyjazne dla początkujących wyjaśnienia i instrukcje krok po kroku.
⬤ Cenne spostrzeżenia na temat optymalizacji kosztów i wydajności.
⬤ Skuteczny zarówno dla odbiorców technicznych, jak i nietechnicznych.
⬤ Autor posiada dużą wiedzę i zapewnia płynną naukę.
⬤ W niektórych rozdziałach może brakować głębi i szczegółów na pewne zaawansowane tematy.
⬤ Zwięzłość w omawianiu potencjalnych wyzwań, przed którymi mogą stanąć użytkownicy.
⬤ Instrukcje dotyczące korzystania z SageMaker poza AWS mogą być zbyt krótkie.
(na podstawie 9 opinii czytelników)
Learn Amazon SageMaker - Second Edition: A guide to building, training, and deploying machine learning models for developers and data scientists
Szybkie tworzenie i wdrażanie modeli uczenia maszynowego bez konieczności zarządzania infrastrukturą i zwiększanie produktywności przy użyciu najnowszych funkcji Amazon SageMaker, takich jak Studio, Autopilot, Data Wrangler, Pipelines i Feature Store.
Kluczowe cechy:
⬤ Szybkie budowanie, trenowanie i wdrażanie modeli uczenia maszynowego przy użyciu Amazon SageMaker.
⬤ Optymalizacja dokładności, kosztów i uczciwości modeli.
⬤ Twórz i automatyzuj kompleksowe przepływy pracy uczenia maszynowego w Amazon Web Services (AWS).
Opis książki:
Amazon SageMaker umożliwia szybkie tworzenie, trenowanie i wdrażanie modeli uczenia maszynowego na dużą skalę bez konieczności zarządzania jakąkolwiek infrastrukturą. Pomaga skupić się na problemie uczenia maszynowego i wdrożyć wysokiej jakości modele poprzez wyeliminowanie ciężkiej pracy związanej z każdym etapem procesu ML. To drugie wydanie pomoże naukowcom zajmującym się danymi i programistom ML odkryć nowe funkcje, takie jak SageMaker Data Wrangler, Pipelines, Clarify, Feature Store i wiele innych.
Zaczniesz od nauczenia się, jak korzystać z różnych możliwości SageMaker jako pojedynczego zestawu narzędzi do rozwiązywania wyzwań ML, a następnie przejdziesz do funkcji takich jak AutoML, wbudowane algorytmy i frameworki oraz pisanie własnego kodu i algorytmów do budowania modeli ML. Książka pokaże ci następnie, jak zintegrować Amazon SageMaker z popularnymi bibliotekami głębokiego uczenia, takimi jak TensorFlow i PyTorch, aby rozszerzyć możliwości istniejących modeli. Zobaczysz również, w jaki sposób automatyzacja przepływów pracy może pomóc w szybszym osiągnięciu produkcji przy minimalnym wysiłku i niższych kosztach. Wreszcie, poznasz SageMaker Debugger i SageMaker Model Monitor, aby wykryć problemy z jakością podczas szkolenia i produkcji.
Pod koniec tej książki będziesz w stanie korzystać z Amazon SageMaker w pełnym spektrum przepływów pracy ML, od eksperymentów, szkoleń i monitorowania po skalowanie, wdrażanie i automatyzację.
Czego się nauczysz:
⬤ Będziesz dobrze zaznajomiony z technikami adnotacji i przygotowywania danych.
⬤ Używać funkcji AutoML do budowania i trenowania modeli uczenia maszynowego za pomocą AutoPilot.
⬤ Tworzyć modele przy użyciu wbudowanych algorytmów i frameworków oraz własnego kodu.
⬤ Trenuj modele widzenia komputerowego i przetwarzania języka naturalnego (NLP) na rzeczywistych przykładach.
⬤ Techniki szkoleniowe w zakresie skalowania, optymalizacji modeli, debugowania modeli i optymalizacji kosztów.
⬤ Zautomatyzuj zadania wdrażania w różnych konfiguracjach za pomocą SDK i kilku narzędzi do automatyzacji.
Dla kogo jest ta książka:
Ta książka jest przeznaczona dla inżynierów oprogramowania, programistów uczenia maszynowego, naukowców zajmujących się danymi i użytkowników AWS, którzy dopiero zaczynają korzystać z Amazon SageMaker i chcą budować wysokiej jakości modele uczenia maszynowego bez martwienia się o infrastrukturę. Znajomość podstaw AWS jest wymagana, aby lepiej zrozumieć koncepcje omówione w tej książce. Korzystne będzie również solidne zrozumienie koncepcji uczenia maszynowego i języka programowania Python.
