AI Podejście pragmatyczne pomaga rozwiązywać praktyczne problemy przy użyciu nowoczesnego uczenia maszynowego, sztucznej inteligencji i chmurowych narzędzi obliczeniowych. Noah Gift demi-styfikuje wszelkie koncepcje i narzędzia potrzebne do osiągnięcia wyników – nawet jeśli Czytelnik nie ma solidnego przygotowania z matematyki lub data science.
Autor wyjaśnia skuteczne, gotowe do użycia rozwiązania udostępniane przez Amazon, Google i Microsoft i demonstruje sprawdzone techniki, wykorzystujące ekosystem analizy danych oparty na ję-zyku Python. Proponowane podejścia i przykłady pomagają ukierunkować i uprościć każdy krok od wdrożenia po produkcję i budować rozwiązania o niezwykłych możliwościach skalowania. W miarę poznawania działania rozwiązań Machine Language (ML) będziesz uzyskiwać coraz bardziej intuicyjne zrozumienie tego, co można dzięki nim osiągnąć i jak zmaksymalizować ich wartość.
Na tych podstawach autor krok po kroku prezentuje budowanie chmurowych aplikacji AI/ML do rozwiązywania realistycznych problemów w dziedzinie marketingu, zarządzania projektami, wyceniania produktów, nieruchomości i dużo więcej. Bez względu na to, czy jesteś profesjonalistą biznesowym, osobą decyzyjną, studentem czy programistą, eksperckie wskazówki autora i rozbudowane analizy przypadków przygotują cię do rozwiązywania problemów data science w niemal dowolnym środowisku.
NOAH GIFT, wykładowca i konsultant w programie MSBA prowadzonym przez Davis Graduate ­School of Management, w przeszłości pełnił rozmaite role menedżerskie i projektowe. Jako założy-ciel Pragmatic AI Labs doradza różnym firmom w dziedzinie uczenia maszynowego i architektury chmurowej. Jest członkiem Python Software Foundation, posiada certyfikat SME AWS i opubliko-wał kilka książek na temat chmurowego uczenia maszynowego i DevOps.
Uzyskaj i skonfiguruj wszystkie potrzebne narzędzia
Szybko przejrzyj wszystkie funkcjonalności Pythona, których potrzebujesz do budowania aplikacji uczenia maszynowego
Opanuj narzędzia AI i ML oraz cykl życia projektu
Korzystaj z narzędzi analitycznych Pythona, takich jak IPython, Pandas, Numpy, Juypter Notebook i Sklearn
Dołącz pragmatyczną pętlę zwrotną, która pozwoli nieustannie poprawiać wydajność naszych procedur i systemów
Projektuj chmurowe rozwiązania AI oparte na Google Cloud Platform, uwzględniając usługi TPU, Colaboratory i Datalab
Definiuj chmurowe przepływy pracy w Amazon Web Services, w tym wystąpienia punktowe, potoki kodu i inne
Pracuj z API sztucznej inteligencji w Microsoft Azure
Poznaj budowanie sześciu rzeczywistych aplikacji AI od początku do końca