SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

5 wyników

Brak okładki

Książka

W koszyku

Power BI i sztuczna inteligencja : jak w pełni wykorzystać funkcje AI dostępne w Power BI / Mary-Jo Diepeveen ; przekład: Krzysztof Sawka. - Gliwice : Helion, copyright 2024. - 304 strony : fotografie, ilustracje, wykresy ; 24 cm.

Autor

Diepeveen Mary-Jo Sawka Krzysztof

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Data science Power BI Programy komputerowe Sztuczna inteligencja

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

W copyright rok 2024, data wpływu egzemplarza obowiązkowego: 2023. W książce także ISBN oryginału.

Dla osób znających środowisko Power BI.

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

w opracowaniu: sygn. 155505 N (1 egz.)

Książka

W koszyku

Inżynieria danych na platformie AWS : jak tworzyć kompletne potoki uczenia maszynowego / Chris Fregly, Antje Barth ; przekład: Tomasz Walczak. - Gliwice : Helion, © 2022. - 470, [2] strony : ilustracje, wykresy ; 24 cm.

Autor

Fregly Chris Barth Antje Walczak Tomasz

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Amazon (platforma internetowa) Aplikacja internetowa Data science Przetwarzanie w chmurze Sztuczna inteligencja Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

W książce także ISBN oryginału.

1.Wprowadzenie do danologii na platformie AWS Zalety przetwarzania w chmurze Potoki i procesy w danologii Zalecane praktyki z obszaru MLOps Usługi SI Amazona i zautomatyzowane uczenie maszynowe w narzędziu Amazon SageMaker Pobieranie, eksploracja i przygotowywanie danych na platformie AWS Uczenie i dostrajanie modelu za pomocą narzędzia Amazon SageMaker Instalowanie modeli za pomocą usługi Amazon SageMaker i funkcji AWS Lambda Analizy i uczenie maszynowe dla strumieni danych na platformie AWS Infrastruktura platformy AWS i niestandardowy sprzęt Ograniczanie kosztów za pomocą tagów, budżetów i alertów 2.Zastosowania danologii Innowacje w każdej branży Spersonalizowane rekomendacje produktów Wykrywanie niestosownych materiałów wideo za pomocą usługi Amazon Rekognition Prognozowanie zapotrzebowania Identyfikowanie fałszywych kont za pomocą usługi Amazon Fraud Detector Używanie usługi Amazon Macie do wykrywania wycieków wrażliwych danych Urządzenia konwersacyjne i asystenci głosowi Analiza tekstu i NLP Wyszukiwanie kognitywne i rozumienie języka naturalnego Inteligentne centra obsługi klienta Przemysłowe usługi SI i konserwacja predykcyjna Automatyzacja domu za pomocą narzędzi AWS IoT i Amazon SageMaker Pobieranie informacji medycznych z dokumentów służby zdrowia Samooptymalizująca i inteligentna infrastruktura chmury Kognitywna i predyktywna analityka biznesowa Edukacja następnego pokolenia programistów SI i UM Zaprogramuj naturalny system operacyjny za pomocą przetwarzania kwantowego Wzrost wydajności i obniżenie kosztów 3.Zautomatyzowane uczenie maszynowe Zautomatyzowane uczenie maszynowe w usłudze SageMaker Autopilot Śledzenie wyników eksperymentów za pomocą usługi SageMaker Autopilot Uczenie i instalowanie klasyfikatora tekstu za pomocą usługi SageMaker Autopilot Zautomatyzowane uczenie maszynowe w usłudze Amazon Comprehend 4.Pobieranie danych do chmury Jeziora danych Kierowanie zapytań do jeziora danych w S3 za pomocą usługi Amazon Athena Ciągłe pobieranie nowych danych za pomocą narzędzia AWS Glue Crawler Stosowanie architektury Lake House za pomocą usługi Amazon Redshift Spectrum Wybór między narzędziami Amazon Athena a Amazon Redshift 5.Eksplorowanie zbioru danych Narzędzia do eksplorowania danych w AWS Wizualizowanie jeziora danych w środowisku SageMaker Studio Zapytania dotyczące hurtowni danych Tworzenie paneli kontrolnych za pomocą usługi Amazon CjuickSight Wykrywanie problemów z jakością danych za pomocą narzędzi Amazon SageMaker i Apache Spark Wykrywanie tendencyjności w zbiorze danych Wykrywanie zmian różnego rodzaju za pomocą usługi SageMaker Clarify Analizowanie danych za pomocą usługi AWS Glue DataBrew Zmniejszanie kosztów i zwiększanie wydajności 6.Przygotowywanie zbioru danych do uczenia modelu Wybieranie i inżynieria cech Skalowanie inżynierii cech za pomocą zadań SageMaker Processing Udostępnianie cech za pomocą repozytorium cech z platformy SageMaker Wczytywanie i przekształcanie danych w usłudze SageMaker Data Wrangler Śledzenie historii artefaktów i eksperymentów na platformie Amazon SageMaker Wczytywanie i przekształcanie danych za pomocą usługi AWS Glue DataBrew 7.Uczenie pierwszego modelu Infrastruktura platformy SageMaker Instalowanie wyuczonego modelu BERT za pomocą usługi SageMaker JumpStart Tworzenie modelu w platformie SageMaker Krótka historia przetwarzania języka naturalnego Architektura Transformer w algorytmie BERT Uczenie modelu BERT od podstaw Dostrajanie wstępnie wyuczonego modelu BERT Tworzenie skryptu uczenia Uruchamianie skryptu uczenia w usłudze SageMaker Notebook Ocena modeli Debugowanie i profilowanie procesu uczenia modelu w usłudze SageMaker Debugger Interpretowanie i wyjaśnianie predykcji modelu Wykrywanie tendencyjności modelu i wyjaśnianie predykcji Dodatkowe metody uczenia algorytmu BERT 8.Uczenie i optymalizowanie modeli na dużą skalę Automatyczne znajdowanie optymalnych hiperparametrów dla modelu Stosowanie ciepłego startu dla dodatkowych zadań dostrajania hiperparametrów na platformie SageMaker Skalowanie poziome uczenia rozproszonego na platformie SageMaker 9.Instalowanie modeli w środowisku produkcyjnym Predykcje w czasie rzeczywistym czy w trybie wsadowym? Generowanie predykcji w czasie rzeczywistym za pomocą punktów końcowych platformy SageMaker Automatyczne skalowanie punktów końcowych platformy SageMaker za pomocą usługi Amazon CloudWatch Strategie instalowania nowych i zaktualizowanych modeli Testowanie i porównywanie nowych modeli Monitorowanie pracy modelu i wykrywanie zmian Monitorowanie jakości danych w punktach końcowych platformy SageMaker Monitorowanie jakości modelu w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian tendencyjności w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian wkładu cech w zainstalowanych punktach końcowych platformy SageMaker Wsadowe generowanie predykcji za pomocą usługi przekształcania wsadowego na platformie SageMaker Funkcje AWS Lambda i usługa Amazon API Gateway Optymalizowanie modeli i zarządzanie nimi na obrzeżach sieci Instalowanie modelu opartego na platformie PyTorch za pomocą narzędzia TorchServe Generowanie predykcji przez algorytm BERT oparty na platformie TensorFlow na platformie AWS Deep Java Library 10.Potoki i MLOps MLOps Potoki programowe Potoki uczenia maszynowego Koordynowanie potoku za pomocą usługi SageMaker Pipelines Automatyzacja w usłudze SageMaker Pipelines Inne sposoby tworzenia potoków Procesy z udziałem człowieka 11.Analizy i uczenie maszynowe dla danych przesyłanych strumieniowo Uczenie w trybach online i offline Aplikacje strumieniowe Zapytania oparte na oknach dotyczące strumieniowanych danych Analiza i uczenie maszynowe na podstawie strumieni na platformie AWS Klasyfikowanie recenzji produktów w czasie rzeczywistym za pomocą narzędzi Amazon Kinesis, AWS Lambda i Amazon SageMaker Implementowanie pobierania strumieniowanych danych za pomocą usługi Kinesis Data Firehose Podsumowywanie recenzji produktów w czasie rzeczywistym na podstawie analizy strumienia Konfigurowanie usługi Amazon Kinesis Data Analytics Aplikacje w usłudze Kinesis Data Analytics Klasyfikowanie recenzji produktów za pomocą narzędzi Apache Kafka, AWS Lambda i Amazon SageMaker 12. Bezpieczna danologia na platformie AWS Model podziału odpowiedzialności między platformę AWS i klientów Korzystanie z usługi IAM na platformie AWS Izolacja środowisk obliczeniowych i sieciowych Zabezpieczanie dostępu do danych w S3 Szyfrowanie danych w spoczynku Szyfrowanie danych w tranzycie Zabezpieczanie instancji z notatnikami platformy SageMaker Zabezpieczanie środowiska SageMaker Studio Zabezpieczanie zadań i modeli platformy SageMaker Zabezpieczanie usługi AWS Lake Formation Zabezpieczanie danych uwierzytelniających do bazy za pomocą AWS Secrets Manager Nadzór Audytowalność

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153017 N (1 egz.)

Książka

W koszyku

Data science od podstaw : analiza danych w Pythonie / Joel Grus ; przekład: Wojciech Bombik, Konrad Matuk. - Gliwice : Helion, 2022. - 348, [4] strony : ilustracje, wykresy ; 24 cm.

Autor

Grus Joel Bombik Wojciech. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Informatycy

Temat

Analiza danych Data science Programowanie (informatyka) Python (język programowania) Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

Wydanie 2. odnosi się do oryginału.

Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly.

Znaczenie danych Czym jest analiza danych? Hipotetyczna motywacja Określanie najważniejszych węzłów Analitycy, których możesz znać Wynagrodzenie i doświadczenie Płatne konta Tematy interesujące użytkowników Błyskawiczny kurs Pythona Zasady tworzenia kodu Pythona Skąd wziąć interpreter Pythona? Środowiska wirtualne Formatowanie za pomocą białych znaków Moduły Polskie znaki diakrytyczne Funkcje Łańcuchy Wyjątki Listy Krotki Słowniki defaultdict Counter Zbiory Przepływ sterowania Wartości logiczne Sortowanie Składanie list Testy automatyczne i instrukcja assert Programowanie obiektowe Obiekty iterowalne i generatory Losowość Wyrażenia regularne Narzędzia funkcyjne Funkcja zip i rozpakowywanie argumentów Argumenty nazwane i nienazwane Adnotacje typów Jak pisać adnotacje typów Witaj w firmie DataSciencester! 3. Wizualizacja danych Pakiet matplotlib Wykres słupkowy Wykresy liniowe Wykresy punktowe 4. Algebra liniowa Wektory Macierze 5. Statystyka Opis pojedynczego zbioru danych Tendencje centralne Dyspersja Korelacja Paradoks Simpsona Korelacja i przyczynowość 6. Prawdopodobieństwo Zależność i niezależność Prawdopodobieństwo warunkowe Twierdzenie Bayesa Zmienne losowe Ciągły rozkład prawdopodobieństwa Rozkład normalny Centralne twierdzenie graniczne Przykład: rzut monetą Wartości p Przedziały ufności Hakowanie wartości p Przykład: przeprowadzanie testu A-B Wnioskowanie bayesowskie Dalsza eksploracja 8. Metoda gradientu prostego Podstawy metody gradientu prostego Szacowanie gradientu Korzystanie z gradientu Dobór właściwego rozmiaru kroku Używanie metody gradientu do dopasowywania modeli Metody gradientu prostego: stochastyczna i minibatch 9. Uzyskiwanie danych Strumienie stdin i stdout Wczytywanie plików Podstawowe zagadnienia dotyczące plików tekstowych Pliki zawierające dane rozdzielone separatorem Pobieranie danych ze stron internetowych HTML i parsowanie Przykład: wypowiedzi kongresmenów Korzystanie z interfejsów programistycznych Format JSON (i XML) Korzystanie z interfejsu programistycznego bez uwierzytelniania Poszukiwanie interfejsów programistycznych Przykład: korzystanie z interfejsów programistycznych serwisu Twitter Uzyskiwanie danych uwierzytelniających Eksploracja danych jednowymiarowych Dwa wymiary 1 Wiele wymiarów Wykorzystanie klasy NamedTuple Dekorator dataclass Oczyszczanie i wstępne przetwarzanie danych Przetwarzanie danych Przeskalowanie Dygresja: tqdm Redukcja liczby wymiarów 11. Uczenie maszynowe Modelowanie Czym jest uczenie maszynowe? Nadmierne i zbyt małe dopasowanie Poprawność Kompromis pomiędzy wartością progową a wariancją Ekstrakcja i selekcja cech 12. Algorytm k najbliższych sąsiadów Model Przykład: dane dotyczące irysów Przekleństwo wymiarowości 13. Naiwny klasyfikator bayesowski Bardzo prosty filtr antyspamowy Bardziej zaawansowany filtr antyspamowy Implementacja Testowanie modelu Używanie modelu 14. Prosta regresja liniowa Model Korzystanie z algorytmu spadku gradientowego Szacowanie maksymalnego prawdopodobieństwa 15. Regresja wieloraka Model Dalsze założenia dotyczące modelu najmniejszych kwadratów Dopasowywanie modelu Interpretacja modelu Poprawność dopasowania Dygresja: ładowanie wstępne Błędy standardowe współczynników regresji Regularyzacja 16. Regresja logistyczna Funkcja logistyczna Stosowanie modelu Poprawność dopasowania Maszyny wektorów nośnych Dalsza eksploracja 17. Drzewa decyzyjne Czym jest drzewo decyzyjne? Entropia Entropia podziału Tworzenie drzewa decyzyjnego Łączenie wszystkiego w całość Lasy losowe 18. Sztuczne sieci neuronowe Perceptrony Jednokierunkowe sieci neuronowe Propagacja wsteczna Przykład: Fizz Buzz Dalsza eksploracja 19. Uczenie głębokie Tensor Abstrakcja Layer Warstwa Linear Sieci neuronowe jako sekwencje warstw Abstrakcja Loss i optymalizacja Przykład: kolejne podejście do bramki XOR Inne funkcje aktywacji Przykład: kolejne podejście do gry Fizz Buzz Funkcja softmax i entropia krzyżowa Dropout Przykład: MNIST Zapisywanie i wczytywanie modeli 20. Grupowanie Idea Model Przykład: spotkania Wybór wartości parametru k Przykład: grupowanie kolorów Grupowanie hierarchiczne z podejściem aglomeracyjnym 21. Przetwarzanie języka naturalnego Chmury wyrazowe Modele n-gram Gramatyka Na marginesie: próbkowanie Gibbsa Modelowanie tematu Wektory słów Rekurencyjne sieci neuronowe Przykład: używanie rekurencyjnej sieci neuronowej na poziomie pojedynczych znaków Dalsza eksploracja 22. Analiza sieci społecznościowych Pośrednictwo Centralność wektorów własnych Mnożenie macierzy Centralność Grafy skierowane i metoda PageRank 23. Systemy rekomendujące Ręczne rozwiązywanie problemu Rekomendowanie tego, co jest popularne Filtrowanie kolaboratywne oparte na użytkownikach Filtrowanie kolaboratywne oparte na zainteresowaniach Faktoryzacja macierzy 24. Bazy danych i SQL Polecenia CREATE TABLE i INSERT Polecenie UPDATE Polecenie DELETE Polecenie SELECT Polecenie GROUP BY Polecenie ORDER BY Polecenie JOIN Zapytania składowe Optymalizacja zapytań Bazy danych NoSQL Dalsza eksploracja 25. Algorytm MapReduce Przykład: liczenie słów Dlaczego warto korzystać z algorytmu MapReduce? Algorytm MapReduce w ujęciu bardziej ogólnym Przykład: analiza treści statusów Przykład: mnożenie macierzy Dodatkowe informacje: zespalanie 26. Etyka przetwarzania danych Czym jest etyka danych? Ale tak naprawdę to czym jest etyka danych? Czy powinienem przejmować się etyką danych? Tworzenie złych produktów wykorzystujących dane Kompromis między dokładnością a uczciwością Współpraca Interpretowalność Rekomendacje Tendencyjne dane Ochrona danych IPython Matematyka Korzystanie z gotowych rozwiązań NumPy pandas scikit-learn Wizualizacja R Uczenie głębokie Szukanie danych Zabierz się za analizę Hacker News Wozy straży pożarnej Koszulki Tweety na kuli ziemskiej

Sygnatura czytelni BWEAiI: XII Ł 217

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 153003 (1 egz.)

Książka

W koszyku

Analityk danych : przewodnik po data science, statystyce i uczeniu maszynowym / Alex J. Gutman, Jordan Goldmeier ; przekład: Grzegorz Werner. - Gliwice : Helion, copyright 2023. - XXXVIII, 213 stron : fotografie, ilustracje, mapy, wykresy ; 24 cm.

Autor

Gutman Alex J. Goldmeier Jordan. Werner Grzegorz.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Analiza danych Data science Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na grzbiecie także nazwa wydawcy oryginału: Wiley.

Pytania, które powinien zadawać spec od danych Dlaczego problem jest ważny? Na kogo wpływa ten problem? Co, jeśli nie mamy właściwych danych? Kiedy projekt się zakończy? Co, jeśli nie spodobają nam się rezultaty? Dlaczego projekty związane z danymi kończą się niepowodzeniem? Wrażenia klientów Omówienie Praca nad problemami, które mają znaczenie Dane a informacje Przykładowy zbiór danych Jak gromadzi się dane i jaką mają strukturę? Dane obserwacyjne i eksperymentalne Dane ustrukturyzowane i nieustrukturyzowane Podstawowe statystyki zbiorcze Przygotowanie do myślenia statystycznego Zadawaj pytania Scenariusz: wrażenia klientów (kontynuacja) Studium przypadku: zachorowalność na raka nerki Prawdopodobieństwo i statystyka Prawdopodobieństwo a intuicja Odkrywanie informacji za pomocą statystyki Mów jak spec od danych Polemizuj z danymi Katastrofa spowodowana brakiem danych Jaka jest historia pochodzenia danych? Kto zebrał dane? Jak zebrano dane? Czy dane są reprezentatywne? Czy poprawnie dobrano próbę? Co zrobiono z wartościami odstającymi? Jakich danych nie widzę? Jak rozwiązano problem brakujących wartości? Czy dane mogą zmierzyć to, co ma być mierzone? Polemizuj z danymi każdej wielkości Eksploruj dane Eksploracyjna analiza danych i Ty Przyjmij nastawienie eksploracyjne Pytania naprowadzające Czy dane mogą odpowiedzieć na pytanie? Określ oczekiwania i użyj zdrowego rozsądku Czy wartości mają intuicyjny sens? Uważaj! Wartości odstające i brakujące Czy odkryliście jakieś związki? Korelacja Uważaj! Błędne interpretowanie korelacji Uważaj! Korelacja nie implikuje przyczynowości Czy znaleźliście w danych nowe możliwości? Badaj prawdopodobieństwa Reguły gry Notacja Prawdopodobieństwo warunkowe i zdarzenia niezależne Prawdopodobieństwo wielu zdarzeń Ćwiczenie myślowe z zakresu prawdopodobieństwa Uważaj z zakładaniem niezależności Wszystkie prawdopodobieństwa są warunkowe Nie przestawiaj zależności Twierdzenie Bayesa Upewnij się, że prawdopodobieństwa mają znaczenie Kalibracja Rzadkie zdarzenia mogą się zdarzać i się zdarzają Kwestionuj statystyki Więcej danych, więcej dowodów Kwestionuj status quo Dowody na twierdzenie przeciwne Równoważenie błędów decyzyjnych Proces wnioskowania statystycznego Pytania, które pomogą Ci kwestionować statystyki Jaki jest kontekst tych statystyk? Jaki jest rozmiar próby? Co testujecie? Jaka jest hipoteza zerowa? Zakładanie równoważności Jaki jest poziom istotności? Ile przeprowadzacie testów? Czy mogę zobaczyć przedziały ufności? Czy jest to praktycznie istotne? Czy zakładacie przyczynowość? Przybornik specjalisty data science W poszukiwaniu ukrytych grup Uczenie nienadzorowane Redukcja wymiarowości Tworzenie cech złożonych Analiza składowych głównych Składowe główne zdolności sportowych Podsumowanie PCA Potencjalne pułapki Klasteryzacja metodą k-średnich Klasteryzacja sklepów detalicznych Potencjalne pułapki Model regresji Uczenie nadzorowane Jak działa regresja liniowa? Regresja metodą najmniejszych kwadratów: nie tylko pomysłowa nazwa

Regresja liniowa Rozszerzanie modelu na wiele cech Regresja liniowa: jakie powoduje nieporozumienia? Pominięte zmienne Współliniowość Przeciek danych Błędy ekstrapolacji Relacje nie zawsze są liniowe Wyjaśniasz czy przewidujesz? Skuteczność regresji Model klasyfikacji Regresja logistyczna Regresja logistyczna Drzewa decyzyjne Metody zespołowe Lasy losowe Drzewa wzmacniane gradientowo Interpretowalność modeli zespołowych Przeciek danych Brak podziału danych Wybór odpowiedniego progu decyzyjnego Błędne rozumienie dokładności Macierze błędów Analiza tekstu Oczekiwania wobec analizy tekstu Jak tekst staje się liczbami N-gramy Osadzenia słów Modelowanie tematyczne Klasyfikacja tekstu Naiwny klasyfikator bayesowski Analiza odczuć Kwestie praktyczne podczas pracy z tekstem Giganci technologiczni mają przewagę Uczenie głębokie Sieci neuronowe Pod jakimi względami sieci neuronowe przypominają ludzki mózg? Jak uczy się sieć neuronowa? Nieco bardziej złożona sieć neuronowa Zastosowania uczenia głębokiego Korzyści z uczenia głębokiego Jak komputery „widzą” obrazy? Konwolucyjne sieci neuronowe Uczenie głębokie w języku i sekwencjach Uczenie głębokie w praktyce Czy masz dane? Czy Twoje dane są ustrukturyzowane? Jak będzie wyglądać sieć? Sztuczna inteligencja i Ty Giganci technologiczni mają przewagę Etyka w uczeniu głębokim Droga do sukcesu Strzeż się pułapek Tendencyjność i dziwne zjawiska w danych Błąd przeżywalności Regresja do średniej Paradoks Simpsona Błąd konfirmacji Błąd utopionych kosztów Dyskryminacja algorytmiczna Nieskategoryzowane przejawy tendencyjności Wielka lista pułapek Pułapki związane ze statystyką i uczeniem maszynowym Pułapki związane z projektem Znaj ludzi i osobowości Siedem scenariuszy fiaska komunikacyjnego Post mortem Konfrontacja z rzeczywistością Wrogie przejęcie Egocentryk Osobowości w świecie danych Entuzjasta Cynik Spec od danych

Sygnatura czytelni BWEAiI: XII E 126

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154647 N (1 egz.)

Książka

W koszyku

Inżynieria danych w praktyce : kluczowe koncepcje i najlepsze technologie / Joe Reis, Matt Housley ; przekład: Radosław Meryk. - Gliwice : Helion, 2023. - 431, [1] strona : ilustracje ; 24 cm.

Autor

Reis Joe. Housley Matthew L. (1977- ). Meryk Radosław.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Informatycy

Temat

Data science Technologia informacyjna (IT)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly. W książce także ISBN oryginału.

Bibliografie, netografie przy rozdziałach. Indeks.

Asymetryczna optymalizacja Niech kupujący się strzeże Nurty cyklu życia inżynierii danych i ich wpływ na wybór technologii Zarządzanie danymi DataOps Architektura danych Przykład orkiestracji — Airflow Inżynieria oprogramowania. Cykl życia inżynierii danych w szczegółach 5. Generowanie danych w systemach źródłowych Źródła danych — jak tworzone są dane? Systemy źródłowe Pliki i dane bez struktury Interfejsy API Bazy danych aplikacji (systemy OLTP) Systemy przetwarzania analitycznego online (OLAP) Przechwytywanie zdarzeń zmiany danych Logi Logi bazy danych CRUD Komunikaty i strumienie Rodzaje czasu Praktyczne szczegóły dotyczące systemów źródłowych Bazy danych Interfejsy API Współdzielenie danych Zewnętrzne źródła danych Kolejki komunikatów i platformy strumieniowego przesyłania zdarzeń Nurty inżynierii danych i ich wpływ na systemy źródłowe Bezpieczeństwo Zarządzanie danymi DataOps Architektura danych Orkiestracja Inżynieria oprogramowania Składowanie Dyski magnetyczne Dyski SSD Pamięć operacyjna Infrastruktura sieci i procesor Serializacja Kompresja Buforowanie Systemy składowania danych Składowanie na pojedynczym serwerze a składowanie rozproszone Spójność ostateczna kontra spójność silna Składowanie w plikach Blokowe systemy składowania Magazyn obiektów Systemy składowania oparte na pamięci podręcznej i pamięci operacyjnej Rozproszony system plików Hadoop Składowanie strumieniowe Indeksy, partycjonowanie i klastrowanie Abstrakcje składowania w inżynierii danych Hurtownia danych Jeziora danych Data lakehouse Platformy danych Architektura pamięci masowej stream-to-batch Wielkie pomysły i trendy dotyczące składowania Katalog danych Współdzielenie danych Schemat Oddzielenie przetwarzania od składowania Cykl życia systemów składowania i utrzymywanie danych Magazyny dla jednego i wielu dzierżawców Główne nurty Bezpieczeństwo Zarządzanie danymi DataOps Architektura danych Orkiestracja Inżynieria oprogramowania Zasoby dodatkowe Pozyskiwanie danych Dane związane kontra dane niezwiązane Częstość Pozyskiwanie synchroniczne a asynchroniczne Serializacja i deserializacja Przepustowość i skalowalność Niezawodność i trwałość Ładunek danych Wzorce pozyskiwania pull, push czy odpytywanie? Zagadnienia dotyczące pozyskiwania danych partiami Ekstrakcja migawkowa lub różnicowa Eksportowanie i pozyskiwanie oparte na plikach Systemy ETL kontra ELT Wstawianie, aktualizacje i rozmiar partii Migracje danych Zagadnienia dotyczące pozyskiwania komunikatów i pozyskiwania strumieniowego Ewolucje schematu Spóźnione dane Kolejność zdarzeń i wielokrotne dostarczanie Ponowne odtwarzanie Czas życia Rozmiar wiadomości Obsługa błędów i kolejki utraconych wiadomości Konsumenci typu pull kontra konsumenci typu push Lokalizacja Sposoby pozyskiwania danych Bezpośrednie połączenie z bazą danych Przechwytywanie zdarzeń zmian danych Interfejsy API Kolejki komunikatów i platformy strumieniowego przesyłania zdarzeń Zarządzane łączniki danych Przenoszenie danych za pomocą obiektowego magazynu danych EDI Bazy danych i eksportowanie plików Problemy z popularnymi formatami plików Powłoka SSH

SFTP i SCP Webhooki Interfejs webowy Web scraping Urządzenia do przesyłania danych wykorzystywane do migracji Współdzielenie danych Z kim będziesz pracować? Interesariusze w górnej części strumienia przetwarzania Interesariusze z dolnej części strumienia przetwarzania Główne nurty Bezpieczeństwo Zarządzanie danymi DataOps Orkiestracja Inżynieria oprogramowania Zapytania, modelowanie i przekształcenia Zapytania do danych przekazywanych strumieniowo Modelowanie danych Co to jest model danych? Pojęciowe, logiczne i fizyczne modele danych Normalizacja Techniki modelowania danych analitycznych pozyskiwanych partiami Modelowanie danych pozyskiwanych strumieniowo Przekształcenia Przekształcenia wsadowe Widoki zmaterializowane, federacja i wirtualizacja zapytań Przekształcanie i przetwarzanie danych przekazywanych strumieniowo Interesariusze w górnej części strumienia przetwarzania Interesariusze z dolnej części strumienia przetwarzania Główne nurty Bezpieczeństwo Zarządzanie danymi DataOps Architektura danych Orkiestracja Inżynieria oprogramowania. Serwowanie danych na potrzeby analizy, uczenia maszynowego i odwróconych procesów ETL Ogólne uwagi dotyczące serwowania danych Zaufanie Jaki jest przypadek użycia i kto jest użytkownikiem? Produkty danych Produkt samoobsługowy czy nie? Definicje danych i logika Siatki danych Analityka Analityka biznesowa Analityka operacyjna Analityka wbudowana Uczenie maszynowe Co inżynier danych powinien wiedzieć o ML? Sposoby serwowania danych na potrzeby analityki i uczenia maszynowego Wymiana za pomocą plików Bazy danych Systemy strumieniowe Zapytania federacyjne Współdzielenie danych Warstwy semantyki i metryk Serwowanie danych w notatnikach Odwrócony ETL Główne nurty Bezpieczeństwo Zarządzanie danymi DataOps Architektura danych Orkiestracja Inżynieria oprogramowania Bezpieczeństwo, prywatność i przyszłość inżynierii danych 10. Bezpieczeństwo i prywatność Ludzie Moc negatywnego myślenia Zawsze bądź paranoikiem Procesy Teatr bezpieczeństwa kontra nawyki bezpieczeństwa Aktywne zabezpieczenia Zasada najmniejszych uprawnień Wspólna odpowiedzialność w chmurze Zawsze twórz kopie zapasowe danych Przykładowa polityka bezpieczeństwa Technologia Wdrażanie poprawek i aktualizacji Szyfrowanie Logowanie, monitorowanie i ostrzeganie Dostęp do sieci Bezpieczeństwo niskopoziomowej inżynierii danych. Przyszłość inżynierii danych Cykl życia inżynierii danych nie zniknie Zmniejszenie złożoności i rozwój łatwych w użyciu narzędzi danych System operacyjny danych w skali chmury i lepsza interoperacyjność Korporacyjna inżynieria danych Tytuły zawodowe i zakresy obowiązków będą się zmienia Ewolucja nowoczesnego stosu danych w kierunku stosu danych na żywo Stos danych na żywo Potoki strumieniowe i analityczne bazy danych czasu rzeczywistego Fuzja danych z aplikacjami Ścisłe sprzężenie zwrotne między aplikacjami a uczeniem maszynowym Dane ciemnej materii i rozwój… arkuszy kalkulacyjnych?! A Serializacja i kompresja. B Sieć w chmurze

Sygnatura czytelni BWEAiI: XII Z 147

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 154706 N (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154270 N (1 egz.)