“ Mastering Machine Learning on AWS ” é um guia abrangente para aprendizado de máquina avançado em Python usando ferramentas da AWS como SageMaker, Apache Spark e TensorFlow. Os autores, Dr. Saket SR Mengle e Maximo Gurmendez, detalham com habilidade conceitos complexos e fornecem instruções claras e passo a passo para a implementação de modelos de aprendizado de máquina na AWS.

O que este livro cobre?

O livro abrange uma ampla variedade de tópicos, incluindo aprendizado profundo, aprendizado por transferência e aprendizado não supervisionado, além de fornecer orientação sobre como implantar modelos e monitorar seu desempenho na produção. A inclusão do Apache Spark e do TensorFlow, além do SageMaker, torna o livro um recurso valioso para quem busca expandir seus conhecimentos e habilidades no campo do aprendizado de máquina.

Capítulo 1, Conceitos básicos do aprendizado de máquina para AWS , apresenta o aprendizado de máquina. Ele explica por que é necessário que os cientistas de dados aprendam sobre aprendizado de máquina e como a AWS pode ajudá-los a resolver vários problemas do mundo real. Também discutimos os serviços e ferramentas da AWS que abordaremos no livro.

O Capítulo 2, Classificando feeds do Twitter com Naive Bayes , apresenta os fundamentos do algoritmo Naive Bayes e apresenta um problema de classificação de texto que será abordado pelo uso desse algoritmo e modelos de linguagem. Forneceremos exemplos explicando como aplicar Naive Bayes usando scikit-learn e Apache Spark no BlazingText do SageMaker. Além disso, exploraremos como usar as ideias por trás do raciocínio bayesiano em cenários mais complexos. Usaremos a API do Twitter para transmitir tweets de dois candidatos políticos diferentes e prever quem os escreveu. Usaremos scikit-learn, Apache Spark, SageMaker e BlazingText.

O Capítulo 3, Prevendo o valor da casa com algoritmos de regressão , apresenta os fundamentos dos algoritmos de regressão e os aplica para prever o preço das casas com base em vários recursos. Também apresentaremos como usar a regressão logística para problemas de classificação. Exemplos no SageMaker para scikit-learn e Apache Spark serão fornecidos. Usaremos o conjunto de dados Boston Housing Price (https://www.kaggle.com/c/boston-housing/) juntamente com scikit-learn, Apache Spark e SageMaker.

O Capítulo 4, Prevendo o comportamento do usuário com métodos baseados em árvore , apresenta árvores de decisão, florestas aleatórias e árvores intensificadas por gradiente. Exploraremos como usar esses algoritmos para prever quando os usuários clicarão nos anúncios. Além disso, explicaremos como usar o AWS EMR e o Apache Spark para projetar modelos em grande escala. Usaremos o conjunto de dados de previsão de cliques do Adform (https://doi.org/10.7910/DVN/TADBY7, Harvard Dataverse, V2). Usaremos as bibliotecas XGBoost, Apache Spark, SageMaker e EMR.

O Capítulo 5, Segmentação de clientes usando algoritmos de agrupamento , apresenta os principais algoritmos de agrupamento, explorando como aplicá-los à segmentação de clientes com base nos padrões do consumidor. Por meio do AWS SageMaker, mostraremos como executar esses algoritmos no skicit-learn e no Apache Spark. Usaremos os dados de comércio eletrônico de Fabien Daniel (https://www.kaggle.com/fabiendaniel/customer-segmentation/data) e scikit-learn, Apache Spark e SageMaker.

O Capítulo 6, Analisando padrões de visitantes para fazer recomendações , apresenta o problema de encontrar usuários semelhantes com base em seus padrões de navegação para recomendar estratégias de marketing personalizadas. A filtragem colaborativa e os métodos baseados em distância serão apresentados com exemplos em scikit-learn e Apache Spark no AWS SageMaker. Usaremos o conjunto de dados de visitas a parques temáticos de Kwan Hui Lim (https://sites.google.com/site/limkwanhui/datacode), Apache Spark e SageMaker.

O Capítulo 7, Implementando algoritmos de aprendizado profundo , apresenta os principais conceitos por trás do aprendizado profundo e explica por que ele se tornou tão relevante nos produtos baseados em IA atuais. O objetivo deste capítulo não é discutir os detalhes teóricos do aprendizado profundo, mas explicar os algoritmos com exemplos e fornecer uma compreensão conceitual de alto nível dos algoritmos de aprendizado profundo. Isso lhe dará uma plataforma para entender o que você implementará nos próximos capítulos.

O capítulo 8, Implementando Deep Learning com o TensorFlow na AWS , aborda uma série de problemas práticos de reconhecimento de imagem e explica como resolvê-los com o TensorFlow na AWS. O TensorFlow é uma estrutura de aprendizado profundo muito popular que pode ser usada para treinar redes neurais profundas. Este capítulo explicará como o TensorFlow pode ser instalado e usado para treinar modelos de aprendizado profundo usando conjuntos de dados de brinquedo. Neste capítulo, usaremos o conjunto de dados de dígitos manuscritos MNIST (http://yann.lecun.com/exdb/mnist/), juntamente com o TensorFlow e o SageMaker.

O Capítulo 9, Classificação e detecção de imagens com o SageMaker , revisita o problema de classificação de imagens com o qual lidamos nos capítulos anteriores, mas usando o algoritmo de classificação de imagens e o algoritmo de detecção de objetos do SageMaker. Usaremos o conjunto de dados Caltech256 (http://www.vision.caltech.edu/Image_Datasets/Caltech256/) e o AWS Sagemaker.

O Capítulo 10, Trabalhando com o AWS Comprehend , explica a funcionalidade de uma ferramenta da AWS chamada Comprehend, que é uma ferramenta de processamento de linguagem natural que executa várias tarefas úteis.

O Capítulo 11, Usando o AWS Rekognition , explica como usar o Rekognition, que é uma ferramenta de reconhecimento de imagem que usa aprendizado profundo. Você aprenderá uma maneira fácil de aplicar o reconhecimento de imagem em seus aplicativos.

Capítulo 12, Construindo interfaces de conversação usando o AWS Lex , explica que o AWS Lex é uma ferramenta que permite aos programadores criar interfaces de conversação. Este capítulo apresenta tópicos como compreensão de linguagem natural usando aprendizado profundo.

O Capítulo 13, Criando clusters na AWS , aborda como um dos principais problemas no aprendizado profundo é entender como dimensionar e paralelizar o aprendizado em várias máquinas. Neste capítulo, examinaremos diferentes maneiras de criar grupos de alunos. Em particular, vamos nos concentrar em como paralelizar os pipelines de aprendizado profundo por meio do TensorFlow e do Apache Spark distribuídos.

O Capítulo 14, Otimizando modelos no Spark e no SageMaker , explica que os modelos treinados na AWS podem ser ainda mais otimizados para serem executados sem problemas em ambientes de produção. Nesta seção, discutiremos vários truques que você pode usar para melhorar o desempenho de seus algoritmos.

O Capítulo 15, Tuning Clusters for Machine Learning , explica que muitos cientistas de dados e profissionais de aprendizado de máquina enfrentam o problema de escala ao tentar executar pipelines de dados de aprendizado de máquina em escala. Neste capítulo, nos concentramos principalmente no EMR, que é uma ferramenta muito poderosa para executar trabalhos de aprendizado de máquina muito grandes. Há muitas maneiras de configurar o EMR e nem todas as configurações funcionam para todos os cenários. Passaremos pelas principais configurações do EMR e explicaremos como cada configuração funciona para diferentes objetivos. Além disso, apresentaremos outras maneiras de executar pipelines de big data por meio da AWS.

O Capítulo 16, Implantando modelos criados na AWS , discute a implantação. Neste ponto, você terá seu modelo criado na AWS e gostaria de enviá-lo para produção. Há uma variedade de contextos diferentes nos quais os modelos devem ser implantados. Em alguns casos, é tão fácil quanto gerar um CSV de ações que seriam alimentadas em algum sistema. Muitas vezes, só precisamos implantar um serviço da Web capaz de fazer previsões. No entanto, muitas vezes precisamos implantar esses modelos em sistemas complexos, de baixa latência ou de borda. Examinaremos as diferentes maneiras de implantar modelos de aprendizado de máquina para produção neste capítulo.

Um dos pontos fortes do livro é sua abordagem prática, com inúmeros exemplos e exercícios práticos que permitem aos leitores aplicar seus novos conhecimentos e habilidades. Os autores também fazem um ótimo trabalho explicando as teorias e conceitos subjacentes de uma forma acessível a leitores técnicos e não técnicos.

No geral, “ Mastering Machine Learning on AWS ” é um excelente recurso para quem quer começar ou aprofundar seus conhecimentos em machine learning na AWS. É bem escrito, bem organizado e repleto de informações e exemplos práticos, tornando-o um guia essencial para quem trabalha no campo de aprendizado de máquina e AWS.

Adquira o livro na Amazon