• 基于云计算的数据科学
  • 基于云计算的数据科学
  • 基于云计算的数据科学
  • 基于云计算的数据科学
21年品牌 40万+商家 超1.5亿件商品

基于云计算的数据科学

批量上传,套装书可能不全,下单前咨询在线客服!有特殊要求,下单前请咨询客服!

37.67 3.8折 98 全新

库存4件

江西南昌
认证卖家担保交易快速发货售后保障

作者瓦利阿帕·拉克什曼南

出版社中国电力出版社

ISBN9787519840136

出版时间2020-03

装帧平装

开本16开

定价98元

货号28524465

上书时间2024-10-24

思源汇书店

已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
导语摘要

在本书中,你将学到:
使用App Engine应用实现自动化定期数据摄取。
在Google Data Studio中创建并生成数据仪表板。
构建实时数据分析管道,实现流式数据分析。
使用Google BigQuery实现可交互式数据探索。
在Cloud Dataproc群集上创建贝叶斯模型。
使用Spark构建逻辑回归机器学习模型。
使用Cloud Dataflow数据管道计算时间聚合特征。
使用TensorFlow构建高性能预测模型。
将你的模型部署为微服务,并且从批处理和实时数据管道中使用它。



作者简介

Valliappa Lakshmanan是Google云计算平台专家服务部门的技术主管。他希望将机器学习普及化,让任何人、从任何地方,在无需深入了解统计学、编程知识,也无需购买大量硬件的情况下使用Google云平台提供的卓越架构。



目录



目录
前言 1 
第 1 章 用数据做出更好的决策 9 
许多相似的决策 11 
数据工程师的角色 12 
云计算让数据工程师成为可能 14 
云计算使数据科学能力得到倍增 18 
用案例研究揭示难解的真相 20 
基于概率的决策 21 
数据和工具 27 
代码入门 28 
本章总结 30 
第 2 章 将数据摄取到云端 31 
航空公司准点数据 31 
可知性 33 
训练 – 服务偏差 34 
下载程序 35 
数据集属性36 
为什么不就地存储数据? 38 
向上扩展 40
水平扩展 42 
使用 Colossus 和 Jupiter 让数据存放在原位 44 
摄取数据 47 
对 Web 表单进行反向工程 48 
下载数据集51 
数据探索和清理 53 
将数据上传到 Google 云端存储 55 
每月下载计划 58 
使用 Python 摄取数据 61 
Flask Web App 68 
在 App Engine 上运行 69 
确保 URL 的安全 70 
计划 Cron 任务 70 
本章总结 73 
代码实验 74 
第 3 章 创建引人注目的仪表板 76 
使用数据仪表板对模型进行解释 77 
为什么要先构建数据仪表板? 79 
准确、忠实于数据且良好的设计 80 
将数据加载到 Google Cloud SQL 83 
创建 Google Cloud SQL 实例 83 
与 Google 云计算平台交互84 
控制对 MySQL 的访问 86 
创建表 87 
向表中填充数据 89 
建立个模型 90 
应急表 91 
阈值优化 92 
机器学习 93 
构建数据仪表板 94 
Data Studio 入门 94 
创建图表 96   
为终用户添加控件 98 
用饼图显示所占比例 100 
解释应急表105 
本章总结 107 
第 4 章 流数据:发布和摄取 109 
设计事件馈送 109 
时间校正 112 
Apache Beam/Cloud Dataflow 113 
解析机场数据 115 
添加时区信息 116 
将时间转换为 UTC 117 
修正日期 120 
创建事件 121 
在云中运行数据管道 122 
将事件流发布到 Cloud Pub/Sub 126 
获取要发布的数据记录 129 
对数据记录进行分页 130 
构建事件集合 130 
发布事件集合 131 
实时流式处理 132 
Java Dataflow 中的流式数据 133 
执行流数据处理 138 
使用 BigQuery 分析流式数据 140 
实时数据仪表板 141 
本章总结 144 
第 5 章 交互式数据探索 145 
探索性数据分析 146 
将航班数据加载到 BigQuery 中 148 
无服务器列式数据库的优点 148 
访问控制 151 
联合查询 156
摄取 CSV 文件 158 
Cloud Datalab 中的探索性数据分析 164 
Jupyter 笔记本 165 
Cloud Datalab 166 
在 Cloud Datalab 中安装软件包 169 
适用于 Google 云计算平台的 Jupyter 魔术命令 170 
质量控制 176 
反常的数值176 
清除异常数据:大数据是不同的 178 
不同出发延误条件下的抵达延误 182 
概率决策阈值的应用 184 
经验概率分布函数 185 
答案 187 
评估模型 188 
随机乱序分组 188 
按日期分割189 
训练和测试191 
本章总结 196 
第 6 章 Cloud Dataproc上的 贝叶斯分类器 197 
MapReduce 和 Hadoop 生态系统 197 
MapReduce 的工作原理 198 
Apache Hadoop 200 
Google Cloud Dataproc200 
需要更高级的工具 202 
关注任务,而不是集群 204 
初始化操作205 
使用 Spark SQL 进行量化 206 
Cloud Dataproc 上的 Google Cloud Datalab 208 
使用 BigQuery 进行独立检查 209 
Google Cloud Datalab 中的 Spark SQL 211
直方图均衡化 215 
动态调整群集大小 219 
使用 Pig 实现贝叶斯分类 222 
在 Cloud Dataproc 上运行 Pig 任务 224 
将日期限制在训练数据集中 225 
决策标准 226 
对贝叶斯模型进行评估 229 
本章总结 231 
第 7 章 机器学习:Spark上的逻辑回归 233 
逻辑回归 234
 Spark 机器学习库 237 
开始使用 Spark 机器学习 238 
Spark 逻辑回归 239 
创建训练数据集 241 
处理边界情况 243 
创建训练示例 245 
训练 246 
使用模型进行预测 249 
对模型进行评估 250 
特征工程 253 
实验框架 254 
创建保留数据集 257 
特性点的选择 258 
特征点的缩放和剪切 261 
特征转换 263 
变量分类 267 
可扩展、可重复和实时性 269 
本章总结 270 
第 8 章 时间窗化的聚合特征 272 
平均时间的需求 272
Java 中的 Dataflow 274 
建立开发环境 275 
使用 Beam 过滤数据 276 
数据管道的控制选项和文本 I/O 280 
在云端运行281 
解析为对象283 
计算平均时间 286 
分组及合并286 
并行执行和侧面输入 289 
调试 291 
BigQueryIO 292 
对航班对象进行转换 294 
批处理模式下的滑动窗口计算 295 
在云端运行297 
监控、故障排除和性能调整 299 
数据管道的故障排除 301 
侧面输入的限制 302 
重新设计数据管道 305 
删除重复项307 
本章总结 310 
第 9 章 使用TensorFlow的 机器学习分类器 312 
使用更复杂的模型 313 
将数据读入 TensorFlow 317 
建立实验 322 
线性分类器323 
训练和评估的输入函数 325 
服务输入函数 326 
创建实验 326 
执行训练 327 
云中的分布式训练 329
对 ML 模型进行改进 331 
深度神经网络模型 332 
嵌入 335 
宽深模型 337 
超参数调整341 
部署模型 349 
使用模型预测 350 
对该模型的解释 351 
本章总结 353 
第 10章 实时机器学习 355 
调用预测服务 356 
用于服务请求和响应的 Java 类357 
发送请求并解析响应 359 
预测服务的客户端 360 
将预测结果添加到航班信息 361 
批量输入和输出 361 
数据处理管道 363 
识别无效的服务响应 364 
批量处理服务请求 365 
流式数据管道 367 
扁平化 PCollections 368 
执行流式数据管道 369 
延迟的和无序的数据记录 371 
水印和触发器 376 
事务,吞吐量和延迟 378 
几种可选的流式接收器 379 
Cloud Bigtable 380 
设计表 382 
设计行键 383 
流式传输至 Cloud Bigtable 384 
查询 Cloud Bigtable 中的数据 386
评估模型的性能 387 
持续训练的必要性 388 
评估管道 389 
性能评估 391 
边际分布 391 
检查模型的行为 393 
识别行为变化 396 
本章总结 398 
全书总结 398 
附录 有关机器学习数据集中敏感数据的注意事项 401




内容摘要

在本书中,你将学到:
使用App Engine应用实现自动化定期数据摄取。
在Google Data Studio中创建并生成数据仪表板。
构建实时数据分析管道,实现流式数据分析。
使用Google BigQuery实现可交互式数据探索。
在Cloud Dataproc群集上创建贝叶斯模型。
使用Spark构建逻辑回归机器学习模型。
使用Cloud Dataflow数据管道计算时间聚合特征。
使用TensorFlow构建高性能预测模型。
将你的模型部署为微服务,并且从批处理和实时数据管道中使用它。



主编推荐

Valliappa Lakshmanan是Google云计算平台专家服务部门的技术主管。他希望将机器学习普及化,让任何人、从任何地方,在无需深入了解统计学、编程知识,也无需购买大量硬件的情况下使用Google云平台提供的卓越架构。



   相关推荐   

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP