OReilly:基于AWS的数据科学实践

前言

第1章 基于AWS的数据科学概述
1．1 云计算的益处
1．2 数据科学流水线与工作流
1．3 机器学习运维*佳实践
1．4 使用Amazon SageMaker实现Amazon人工智能服务和机器学习自动化
1．5 在AWS上实现数据接入、探索与准备
1．6 使用Amazon SageMaker训练和调试模型
1．7 使用Amazon SageMaker和AWS Lambda函数部署模型
1．8 AWS上的流分析和机器学习
1．9 AWS基础设施和定制化硬件
1．10 使用标签、预算和告警减少开销
1．11 小结

第2章 数据科学的应用场景
2．1 在每个行业实现创新
2．2 个性化产品推荐
2．3 使用Amazon Rekognition检测不当视频
2．4 需求预测
2．5 使用Amazon Fraud Detector识别虚假账号
2．6 使用Amazon Macie检测隐私泄漏
2．7 对话装置和语音助手
2．8 文本分析和自然语言处理
2．9 认知式搜索和自然语言理解
2．10 智能客户支持中心
2．11 工业人工智能服务和预测性维护
2．12 使用AWS IoT和Amazon SageMaker实现家庭自动化
2．13 从医疗卫生档案中提取医疗信息
2．14 自我优化的智能云基础设施
2．15 认知式的预测性商业智能
2．16 培养下一代人工智能和机器学习开发者
2．17 使用量子计算实现大自然的操作系统
2．18 提升性能并节省开支
2．19 小结

第3章 自动化机器学习
3．1 用SageMaker Autopilot实现自动化机器学习
3．2 用SageMaker Autopilot跟踪实验
3．3 用SageMaker Autopilot训练并部署文本分类器
3．4 用Amazon Comprehend实现自动化机器学习
3．5 小结

第4章 将数据接入云
4．1 数据湖
4．2 用Amazon Athena查询Amazon S3数据湖
4．3 用AWS Glue Crawler持续接入新数据
4．4 用Amazon Redshift Spectrum构建数据湖仓
4．5 在Amazon Athena和Amazon Redshift之间选择
4．6 降低开销并提升性能
4．7 小结
……
第5章 探索数据集
第6章 为模型训练准备数据集
第7章 训练**个模型
第8章 规模化训练与优化模型
第9章 部署模型到生产环境
第10章 流水线和机器学习运维
第11章 流分析与机器学习
第12章 用AWS保证数据科学安全