全新正版数据的云计算技术9787111690719机械工业出版社

前　言<br/>章　开始 1<br/>1.1　有效的异步技术讨论 1<br/>1.1.1　可复制代码 1<br/>1.1.2　音频、视频和图像 5<br/>1.1.3　制作一次，重复使用多次 6<br/>1.1.4　技术讨论作为一种动学的形式 6<br/>1.1.5　结论 6<br/>1.1.6　练习：创造技术帖子 6<br/>1.2　有效的异步技术项目管理 7<br/>1.2.1　为什么软件项目失败了 7<br/>1.2.2　如何按时交付高质量的软件 7<br/>1..　高失败率的例子 9<br/>1.2.4　练习：为项目创建一个技术项目计划 10<br/>1.3　上AWS、GCP和Azure云 10<br/>1.3.1　AWS 10<br/>1.3.2　微软的Azure 12<br/>1.3.3　GCP 16<br/>1.3.4　练习：设置CI云 18<br/>1.3.5　练习：上云实验室 19<br/>1.3.6　高级案例研究：使用Docker和CircleCI从零开始建立云环境持续集成 19<br/>1.3.7　使用Docker容器来扩展Makefile的使用 <br/>1.4　总结 24<br/>1.5　相关资源 25<br/>第2章　云计算基础 26<br/>2.1　为什么应该考虑使用基于云的开发环境 26<br/>2.2　云计算概述 27<br/>2.2.1　云计算的经济效益 27<br/>2.2.2　云服务模型：SaaS、PaaS、IaaS、MaaS、Serverless 27<br/>.　PaaS持续交付 29<br/>..1　谷歌应用引擎和云构建持续交付 29<br/>..2　建立多种类型的 36<br/>..　练习：创建四个 39<br/>2.4　基础设施即代码 39<br/>2.5　什么是持续交付和持续部署 40<br/>2.6　从零开始持续交付Hugo静态站点 40<br/>2.7　总结 60<br/>第3章　虚拟化、容器化和弹化 61<br/>3.1　弹资源 61<br/>3.2　容器：Docker 63<br/>3.2.1　Docker入门 63<br/>3.2.2　容器的真实例子 65<br/>3..　运行Docker容器 66<br/>3.2.4　容器注册表 69<br/>3.2.5　在AWS Cloud9上从零开始构建容器化应用 69<br/>3.2.6　练习：在AWS Cloud9中构建Hello World容器 72<br/>3.3　Kubernetes 72<br/>3.3.1　安装Kubernetes 73<br/>3.3.2　Kubernetes概述 73<br/>3.3.3　自动伸缩的Kubernetes 77<br/>3.3.4　云中的Kubernetes 78<br/>3.3.5　混合云和多云Kubernetes 78<br/>3.3.6　Kubernetes总结 79<br/>3.4　运行微服务概述 79<br/>3.4.1　创建有效的报警 82<br/>3.4.2　Prometheus入门 84<br/>3.4.3　使用Flask创建Locust负载测试 86<br/>3.4.4　微服务的无服务器实践、灾难恢复和备份 88<br/>3.5　练习：运行Kubernetes Engine 89<br/>3.6　总结 90<br/>第4章　分布式计算的挑战和机遇 91<br/>4.1　一致 91<br/>4.2　CAP定理 92<br/>4.3　阿姆达尔定律 92<br/>4.4　弹 93<br/>4.5　高可用 93<br/>4.6　摩尔定律的终结 94<br/>4.7　ASIC：GPU、TPU、FPGA 95<br/>4.7.1　ASIC、CPU与GPU 95<br/>4.7.2　使用GPU和JIT 97<br/>4.7.3　练习：GPU编程 100<br/>4.8　总结 100<br/>第5章　云存储 101<br/>5.1　云存储类型 101<br/>5.2　数据治理 103<br/>5.3　云数据库 104<br/>5.4　键-值数据库 105<br/>5.5　图形数据库 106<br/>5.5.1　为什么不是关系型数据库而是图形数据库 107<br/>5.5.2　AWS Neptune 107<br/>5.5.3　Neo4j 108<br/>5.5.4　大数据的三个“V” 116<br/>5.6　批处理数据与流数据和机器学习 117<br/>5.7　云数据仓库 118<br/>5.8　GCP Bigery 118<br/>5.9　AWS Redshift 1<br/>5.9.1　Redshift工作流中的关键操作 1<br/>5.9.2　AWS Redshift总结 124<br/>5.10　总结 124<br/>第6章　无服务器ETL技术 125<br/>6.1　AWS Lambda 125<br/>6.2　使用AWS Cloud9开发AWS Lambda函数 128<br/>6.2.1　构建一个API 128<br/>6.2.2　构建一个无服务器数据工程管道 129<br/>6..　使用AWS Lambda在AWS S3桶上实现计算机视觉 130<br/>6.2.4　练习：AWS Lambda Step Function 130<br/>6.3　函数即服务 131<br/>6.4　AWS Lambda的Chalice框架 132<br/>6.5　谷歌云函数 133<br/>6.6　Azure Flask无服务器机器学习 141<br/>6.7　Cloud ETL 142<br/>6.8　使用ETL从零开始构建社交网络的现实问题 143<br/>6.8.1　冷启动问题 143<br/>6.8.2　从零开始构建社交网络机器学习管道 144<br/>6.8.3　案例研究：如何构建一个新闻提要 146<br/>6.9　总结 146<br/>第7章　可管理的机器学统 147<br/>7.1　Jupyter Notebook工作流 147<br/>7.2　AWS Sagemaker概述 152<br/>7.2.1　AWS Sagemaker弹架构 152<br/>7.2.2　练习：使用Sagemaker 152<br/>7.3　Azure ML Studio概述 154<br/>7.4　谷歌AutoML计算机视觉 154<br/>7.5　总结 155<br/>第8章　数据科学案例研究和项目 156<br/>第9章　随笔 163<br/>9.1　为什么在2029年前将不会有数据科学这个职位 163<br/>9.2　利用教育的拆分 165<br/>9.3　垂直集成的AI栈将如何影响IT机构 168<br/>9.4　notebook来了 170<br/>9.5　云原生机器学习和AI 172<br/>9.6　到2021年会培训100万人 174<br/>9.6.1　高等教育的现状将会被打破 175<br/>9.6.2　地方就业市场将会被打破 179<br/>9.6.3　招聘流程的打破 180<br/>9.6.4　为什么学习云计算不同于学习编程 180<br/>9.7　总结 180<br/>0章　职业规划 182<br/>10.1　成为三项全能选手才能获得一份工作 182<br/>10.2　如何为数据科学和机器学习工程建立作品集 182<br/>10.3　如何学习 183<br/>10.4　pear收益策略 184<br/>10.5　远程优先（掌握异步工作） 188<br/>10.6　找工作：不要攻城拔寨，要走<br/>　边门 188<br/>结语 188

挪亚·吉夫特（NoahGift），加州大学戴维斯分校管理院MSBA项目的讲师和顾问。Noah拥有大约20年的Python编程经验，是Python软件会成员。他曾在多家公司担任过首席技术官、总经理、咨询首席技术官和云架构师。目前，他正在为初创企业和公司提供机器学习和云架构方面的咨询，并通过NoahGiftConsulting从事CTO级别的咨询工作。他已经出版了近100种技术出版物，其中包括两本关于从云机器学习到DevOps的书籍。他还是一名已认的AWS解决方案架构师。