返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版]新书Effective数据科学基础设施 [芬] 维莱·图洛斯 数据管理-研究
  • 学习Metaflow和数据科学基础设施的书籍
    • 作者: [芬]著
    • 出版社: 清华大学出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    友一个文化制品专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: [芬]著
    • 出版社:清华大学出版社
    • 开本:16开
    • ISBN:9782487445318
    • 版权提供:清华大学出版社

            铺公告

      为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。

    温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货)。

      关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。

     

     

     书名:  Effective数据科学基础设施
     出版社:  清华大学出版社
     出版日期  2023
     ISBN号:  9787302641865

    数据科学项目日益增多,每个项目在提出原型到生产的过程中都需要可靠的基础设施。使用《Effective数据科学基础设施》介绍的一些新技术和新工具,你将能建立一个适用于各类组织(无论是初创企业还是大型企业)的基础设施堆栈。

    《Effective数据科学基础设施》可帮助你建立数据流程和项目工作流,为你开发项目带来强大动力。《Effective数据科学基础设施》呈现Netflix数据操作的最先进工具和概念,并在此基础上介绍一种可定制的基于云的模型开发和MLOps方法,可轻松适应公司的特定需求。当团队把数据科学和机器学习应用于广泛的业务问题时,这些实用的数据流程将更高效地生成更完美的结果。

    主要内容

    ● 在云中处理计算和编排

    ● 将基于云的工具耦合到一个内聚的数据科学环境中

    ● 使用Metaflow、AWS和Python数据生态系统开发可复制的数据科学项目

    ● 构建需要大型数据集和模型,需要数据科学家团队参与的复杂应用程序


    Ville Tuulos在Netflix公司设计并构建了用于数据科学的全栈框架Metaflow。目前,Ville在一家专业开发数据科学基础设施的初创公司担任首席执行官。

    《Effective数据科学基础设施》由Netflix工程师Ville Tuulos撰写,以Metaflow为对象,介绍了数据科学所需要的基础设施,囊括数据准备、特征工程、模型训练、模型部署、服务和持续监控等环节。Metaflow专注于构建生产流程,更适合具有深厚工程和DevOps技能的大型专业数据科学团队。本书的目标读者为数据科学家、机器学习工程师、IT 技术人员和MLOps工程师。数据科学家在人工智能和算法方面非常精通,但软件开发能力通常不足。他们渴望有一套方法论和工具来促进从构建到部署的迭代过程,从而落实自己的想法。数据科学家不在意在一个“孤岛”。上开展数据挖掘和分析工作,他们更希望能够在离线、实时和批处理等场景中落实项目。IT技术人员对机器学习算法理论和模型细节并不了解,他们渴望本书能够提供一个机器学习流程的全貌,便于他们进行任务编排。此外,一些企业的中高层管理人员可通过本书获取MLOps管理理念,为制定AI项目管理和KPI考核提供参考依据。总之,与传统的软件工程师技能要求相比,MLOps工程师除了需要具备现代软件工程所要求的强大能力,还需要具备ML专业知识,具体包括ML模型训练、模型部署、模型监控和帮助企业落实架构、系统设计和故障排除等能力。

    目    录



    第1章  数据科学基础设施介绍 1

    1.1  选择数据科学基础设施的原因 2

    1.2  什么是数据科学基础设施 5

    1.2.1  数据科学基础设施堆栈 6

    1.2.2  支持数据科学项目的整个生命周期 8

    1.2.3  不能以偏概全 9

    1.3  良好基础设施的重要性 10

    1.3.1  管理复杂性 11

    1.3.2  利用现有平台 12

    1.4  以人为中心的基础设施 13

    1.4.1  自由与责任 14

    1.4.2  数据科学家自主性 15

    1.5  本章小结 16

    第2章  数据科学的工具链 17

    2.1  建立开发环境 18

    2.1.1  云账户 21

    2.1.2  数据科学工作站 22

    2.1.3  笔记 24

    2.1.4  归纳 27

    2.2  介绍工作流 29

    2.2.1  工作流基础 30

    2.2.2  执行工作流 31

    2.2.3  工作流框架 33

    2.3  本章小结 35

    第3章  Metaflow简介 37

    3.1  Metaflow的基本概念 38

    3.1.1  安装Metaflow 39

    3.1.2  编写基本工作流 40

    3.1.3  管理工作流中的数据流 44

    3.1.4  参数 50

    3.2  分支和合并 55

    3.2.1  有效的DAG结构 56

    3.2.2  静态分支 57

    3.2.3  动态分支 61

    3.2.4  控制并发 64

    3.3  Metaflow实际应用 66

    3.3.1  启动新项目 67

    3.3.2  使用客户端API访问结果 69

    3.3.3  调试故障 72

    3.3.4  最后润色 76

    3.4  本章小结 79

    第4章  随计算层伸缩 81

    4.1  什么是可伸缩性 82

    4.1.1  整个堆栈的可伸缩性 83

    4.1.2  实验文化 85

    4.2  计算层 87

    4.2.1  使用容器进行批处理 89

    4.2.2  计算层示例 92

    4.3  Metaflow中的计算层 98

    4.3.1  为Metaflow配置AWS批处理 100

    4.3.2  @batch和@resources装饰器 104

    4.4  处理故障 107

    4.4.1  使用@retry从瞬态错误中恢复 109

    4.4.2  使用@timeout杀死僵尸 110

    4.4.3  最后一种装饰器:@catch 111

    4.5  本章小结 113

    第5章  实践可伸缩性和性能 115

    5.1  从简单开始:垂直可伸缩性 116

    5.1.1  示例:聚类Yelp评论 117

    5.1.2  实践垂直可伸缩性 119

    5.1.3  为什么选择垂直可

    伸缩性 124

    5.2  实践水平可伸缩性 126

    5.2.1  为什么选择水平可伸缩性 126

    5.2.2  示例:超参数搜索 127

    5.3  实施性能优化 130

    5.3.1  示例:计算共现矩阵 131

    5.3.2  加快工作流的方法 139

    5.4  本章小结 140

    第6章  投入生产 141

    6.1  稳定的工作流调度 143

    6.1.1  中心化元数据 145

    6.1.2  使用AWS Step Functions和Metaflow 147

    6.1.3  使用@schedule调度运行 152

    6.2  鲁棒的执行环境 153

    6.2.1  Metaflow包如何流动 155

    6.2.2  为什么依赖管理很重要 160

    6.2.3  使用@conda装饰器 162

    6.3  稳定运行 167

    6.3.1  原型开发期间的命名空间 169

    6.3.2  生产命名空间 173

    6.3.3  使用@project的并行部署 174

    6.4  本章小结 177

    第7章  处理数据 179

    7.1  快速数据的基础 182

    7.1.1  从S3加载数据 183

    7.1.2  使用表格数据 188

    7.1.3  内存数据堆栈 192

    7.2  与数据基础设施的交互 194

    7.2.1  现代数据基础设施 195

    7.2.2  用SQL准备数据集 199

    7.2.3  分布式数据处理 205

    7.3  从数据到特征 210

    7.3.1  区分事实和特征 211

    7.3.2  编码特征 213

    7.4  本章小结 218

    第8章  使用和操作模型 221

    8.1  生成预测 223

    8.1.1  批处理、流式和实时预测 225

    8.1.2  示例:推荐系统 227

    8.1.3  批处理预测 232

    8.1.4  实时预测 243

    8.2  本章小结 248

    第9章  全栈机器学习 249

    9.1  可插拔的特征编码器和模型 250

    9.1.1  为可插拔的组件开发框架 251

    9.1.2  执行特征编码器 255

    9.1.3  基准模型 259

    9.2  深度回归模型 264

    9.2.1  编码输入张量 266

    9.2.2  定义深度回归模型 269

    9.2.3  训练深度回归模型 272

    9.3  总结所学 275

    9.4  本章小结 277

    附录  安装Conda 279 




     

    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购