亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

海量數據集的算法和數據結構旨在幫助您構建可擴展的應用程序，并理解海量數據系統下的算法構建塊。本書涵蓋了構建大規模應用程序的不同算法方面，包括通過使用概率數據結構節省空間，處理流數據，處理磁盤上的數據，以及理解數據庫系統中的性能權衡。

//www.manning.com/books/algorithms-and-data-structures-for-massive-datasets#:~:text=Algorithms%20and%20Data%20Structures%20for%20Massive%20Datasets%20reveals%20a%20toolbox,truly%20massive%20amounts%20of%20data.

本書共分三個部分，共11章。第1部分是關于概率的簡潔數據結構，第2部分是關于流數據結構和算法，第3部分是關于外部內存數據結構和算法。以下是每一章的簡要總結:

第一章解釋了為什么大量數據對現代系統提出了這樣一個挑戰，以及這些挑戰如何塑造算法和數據結構的設計。

第1部分:概率式簡潔數據結構

第二章回顧了哈希并解釋了哈希表是如何發展以滿足大型數據集和復雜分布式系統的需求的(例如，一致哈希)。哈希方法將在接下來的章節中大量使用，因此本章將作為第1部分其他章節的鋪墊。

第三章介紹了近似隸屬度問題和兩個有助于解決它的數據結構:Bloom 過濾器和quotient 過濾器。本章展示了用例和假陽性率分析，以及使用每種數據結構的優缺點。

第四章描述了頻率估計的問題，并介紹了countmin草圖，這是一種數據結構，以非常有效的空間方式解決頻率估計。討論了NLP、傳感器數據和其他領域的用例，以及計數min草圖在范圍查詢等問題中的應用。

第五章深入了解了基數估計和HyperLog- Log算法，以及它們的應用程序。本章使用一個小型實驗來展示從簡單的概率計數到完整的HyperLogLog數據結構在準確性上的演變。

第2部分:流數據結構和算法

第6章溫和地介紹了數據流作為一種算法概念，以及流數據(應用)作為現實世界的表現形式。通過使用流數據架構中的幾個實際用例，我們展示了前幾章中的數據結構如何適合流數據上下文。

第7章解釋了如何從數據流或流中的滑動窗口中保存一個具有代表性的樣本。我們解釋了當一個人可能對一個有偏差的樣本感興趣時，并給出代碼示例，展示一個樣本是如何對最近看到的數據元組產生偏差的。

第8章是關于從連續數據流中計算數值數據的近似分位數。我們描述了兩種草圖數據結構或摘要:q-文摘和t-文摘。我們解釋了它們背后的算法，并在一個真實的數據集中展示它們彼此之間的對比。

第3部分:外部內存數據結構和算法

第9章介紹了外部內存模型和一些示例，這些示例演示了在處理遠程存儲上的數據時，I/O成本如何支配CPU成本。這一章是一個視角轉換的算法設計者習慣于思考優化算法的CPU成本。

第10章展示了支持主流數據庫的數據結構，如b -樹和lsm -樹，并涵蓋了數據庫引擎設計中不同的讀/寫權衡。從較高的層次上理解這些數據結構是如何工作的，可以幫助您區分不同風格的數據庫，并為您的應用程序選擇合適的數據庫。

第11章介紹了在外部內存中進行排序，并展示了使用外部內存優化版本的合并排序和快速排序在磁盤上對文件進行排序的最佳算法。第11章使用排序作為一個例子來演示當將批處理問題移動到外部內存時，哪些類型的優化是可能的。

許多教程向您展示了如何從構思到部署模型開發ML系統。但是隨著工具的不斷變化，這些系統很快就會過時。如果沒有一個有意的設計來將組件組合在一起，這些系統將成為技術上的負擔，容易出錯并很快崩潰。 在這本書中，Chip Huyen為設計真實世界的ML系統提供了一個框架，可以快速部署、可靠、可伸縮和迭代。這些系統有能力從新的數據中學習，改進過去的錯誤，并適應不斷變化的需求和環境。您將學習從項目范圍、數據管理、模型開發、部署和基礎設施到團隊結構和業務分析的所有內容。

• 了解生產中ML系統的挑戰和需求
• 用不同的采樣和標記方法建立訓練數據
• 利用最佳技術為ML模型設計特性，以避免數據泄漏
• 選擇、開發、調試和評估最適合您的任務的ML模型
• 為不同的硬件部署不同類型的ML系統
• 探索主要的基礎設施選擇和硬件設計
• 理解機器學習的人的方面，包括將機器學習集成到業務、用戶體驗和團隊結構中

機器學習工程實戰中教你設計、構建和交付成功的機器學習項目的核心原則和實踐。您將發現軟件工程技術，如在您的原型上進行實驗和實現模塊化設計，從而產生彈性架構和一致的跨團隊通信。基于作者豐富的經驗，本書中的每一種方法都被用于解決現實世界的項目。

//www.manning.com/books/machine-learning-engineering-in-action

本書有三個主要部分，介紹了ML項目中的里程碑。在“我們試圖解決什么?”到“我們如何在未來幾年保持這個解決方案的相關性?”，這本書回顧了這些主要時期，其邏輯順序與你在完成一個項目時考慮這些主題的順序相同:

• 第1部分(第1 - 8章)主要從團隊領導、經理或項目領導的角度關注ML項目的管理。它為范圍、實驗、原型和包容性反饋制定了藍圖，以幫助您避免陷入構建解決方案的陷阱。

• 第2部分(第9-13章)介紹了ML項目的開發過程。通過ML解決方案開發的示例(好的和壞的)，本節將帶您了解經過驗證的構建、調優、日志記錄和評估ML解決方案的方法，以確保您構建的是最簡單和最易維護的代碼。

• 第3部分(第14-16章)關注“之后”:具體地說，與簡化產品發布、再訓練、監控和項目歸屬相關的考慮。通過重點介紹A/B測試、特征存儲和被動再訓練系統的示例，將向您展示如何實現系統和體系結構，以確保您正在構建最低限度復雜的解決方案，以使用ML解決業務問題。

將你的模型投入生產是機器學習的基本挑戰。MLOps提供了一組經過驗證的原則，旨在以可靠和自動化的方式解決這個問題。這本精深的指南將帶您了解什么是MLOps(以及它與DevOps的區別)，并向您展示如何將其付諸實踐，以操作您的機器學習模型。

當前和有抱負的機器學習工程師——或者任何熟悉數據科學和Python的人——將在MLOps工具和方法(以及AutoML和監視和日志)中建立一個基礎，然后學習如何在AWS、微軟Azure和谷歌云中實現它們。你的機器學習系統運行得越快，你就能越快地專注于你試圖解決的業務問題。這本書給了你一個良好的開端。

//www.oreilly.com/library/view/practical-mlops/9781098103002/

您將發現如何: 將DevOps最佳實踐應用到機器學習中 建立并維護生產機器學習系統 監控、儀器、負荷測試和操作機器學習系統 為給定的機器學習任務選擇正確的MLOps工具 在各種平臺和設備上運行機器學習模型，包括手機和專用硬件

我們設計了這本書，讓你可以把每一章作為一個獨立的部分來閱讀，這樣可以給你立即的幫助。在每一章的結尾都有討論問題，旨在激發批判性思維和技術練習，以提高你對材料的理解。這些討論問題和練習也非常適合在數據科學、計算機科學或MBA課程的課堂上使用，也適合有動機的學習者。最后一章包含了幾個案例研究，有助于作為MLOps專家構建工作組合。這本書共分為12章，我們將在接下來的章節中進一步細分。在本書的最后，有一個附錄，其中收集了一些有價值的實現MLOps的資源。

前幾章涵蓋了DevOps和MLOps的理論和實踐。所涉及的項目之一是如何建立持續集成和持續交付。另一個關鍵的話題是改善，也就是在所有方面持續改進的想法。關于云計算有三章，涵蓋了AWS、Azure和GCP。Alfredo是微軟開發人員的擁護者，他是Azure平臺上MLOps的理想知識來源。同樣地，Noah花了數年時間讓學生接受云計算方面的培訓，并與谷歌、AWS和Azure的教育部門合作。這些章節是熟悉基于云的MLOps的好方法。其他章節涵蓋MLOps的關鍵技術領域，包括AutoML，包含‐ers，邊緣計算和模型可移植性。這些主題包含了許多具有積極吸引力的前沿新興技術。最后，在最后一章中，Noah講述了他在一家社交媒體初創公司的真實案例研究，以及他們在做MLOps時面臨的挑戰。

隨著新代碼、新項目和新章節的推出，第二版為讀者提供了一個堅實的機器學習基礎，并為讀者提供了一個完整的學習概念。由NASA噴氣推進實驗室副首席技術官和首席數據科學家Chris Mattmann編寫，所有的例子都伴隨著可下載的Jupyter筆記本，以親身體驗用Python編寫TensorFlow。新的和修訂的內容擴大了核心機器學習算法的覆蓋面，以及神經網絡的進步，如VGG-Face人臉識別分類器和深度語音分類器。

//www.manning.com/books/machine-learning-with-tensorflow-second-edition

使用TensorFlow的機器學習，第二版是使用Python和TensorFlow構建機器學習模型的完全指南。您將把核心ML概念應用于現實世界的挑戰，如情感分析、文本分類和圖像識別。實例演示了用于深度語音處理、面部識別和CIFAR-10自動編碼的神經網絡技術。

在生產中使用端到端示例構建和部署機器學習和深度學習模型。

本書以機器學習模型部署過程及其相關挑戰為重點。接下來，它涵蓋了使用不同的web框架(如Flask和Streamlit)構建和部署機器學習模型的過程。關于Docker的那一章將介紹如何打包和包含機器學習模型。本書還說明了如何使用Kubernetes建立和訓練大規模的機器學習和深度學習模型。

對于那些希望通過采用預構建模型并將其部署到生產環境中來提高機器學習水平的人來說，這本書是一個很好的起點。它還為那些想要超越Jupyter ，在云環境下進行大規模訓練的人提供了指導。書中提供的所有代碼都以Python腳本的形式提供給您，您可以嘗試這些示例并以有趣的方式擴展它們。

你將學會 :

使用Kubernetes大規模構建、訓練和部署機器學習模型

將任何類型的機器學習模型容器化，并使用Docker在任何平臺上運行

使用Flask和Streamlit框架部署機器學習和深度學習模型

如今，企業創建的機器學習(ML)模型中，有一半以上都沒有投入生產。主要是面臨技術上的操作挑戰和障礙，還有組織上的。不管怎樣，最基本的是，不在生產中的模型不能提供業務影響。

這本書介紹了MLOps的關鍵概念，幫助數據科學家和應用工程師不僅可以操作ML模型來驅動真正的業務變化，而且還可以隨著時間的推移維護和改進這些模型。通過基于世界各地眾多MLOps應用的經驗教訓，九位機器學習專家對模型生命周期的五個步驟——構建、預生產、部署、監控和治理——提供了深刻見解，揭示了如何將穩健的MLOps過程貫穿始終。

//www.oreilly.com/library/view/introducing-mlops/9781492083283/

這本書幫助你:

通過減少整個ML管道和工作流程的沖突，實現數據科學價值 通過再訓練、定期調整和完全重構來改進ML模型，以確保長期的準確性 設計MLOps的生命周期，使組織風險最小化，模型是公正的、公平的和可解釋的 為管道部署和更復雜、不那么標準化的外部業務系統操作ML模型

Enterprise Java Microservices是一個示例豐富的教程，展示了如何將大型Java應用程序設計和管理為一個微服務集合。

對這項技術

當您從小型、簡單的組件構建大型應用程序時，它們更容易開發和維護。Java開發人員現在可以使用各種支持微服務應用程序開發的工具，包括適當大小的應用程序服務器、開放源碼框架和定義良好的模式。最重要的是，您可以使用現有的Java技能構建微服務應用程序。

關于這本書

Enterprise Java Microservices教會您設計和構建基于jvm的微服務應用程序。您將首先了解微服務設計與傳統Java EE應用程序的比較。作者Ken Finnigan介紹了一些基本概念以及實現這些概念所需的工具和技術。您將發現用于容錯的生態系統組件，如Netflix Hystrix，并掌握恰到好處的應用服務器(JeAS)方法。為了確保順利運行，您還將檢查監視、安全性、測試和部署到云上。