Autor Singh, Pramod
|
|
Documentos disponibles escritos por este autor (4)
Hacer una sugerencia Refinar búsqueda
Título : Deploy Machine Learning Models to Production : With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform Tipo de documento: documento electrónico Autores: Singh, Pramod, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XIII, 150 p. 115 ilustraciones ISBN/ISSN/DL: 978-1-4842-6546-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cree e implemente modelos de aprendizaje automático y aprendizaje profundo en producción con ejemplos integrales. Este libro comienza centrándose en el proceso de implementación del modelo de aprendizaje automático y sus desafíos relacionados. A continuación, cubre el proceso de creación e implementación de modelos de aprendizaje automático utilizando diferentes marcos web como Flask y Streamlit. A continuación hay un capítulo sobre Docker que cubre cómo empaquetar y contener modelos de aprendizaje automático. El libro también ilustra cómo construir y entrenar modelos de aprendizaje automático y aprendizaje profundo a escala utilizando Kubernetes. El libro es un buen punto de partida para las personas que desean pasar al siguiente nivel de aprendizaje automático tomando modelos prediseñados e implementándolos en producción. También ofrece orientación a quienes quieran ir más allá de los portátiles Jupyter y entrenar modelos a escala en entornos de nube. Todo el código presentado en el libro está disponible en forma de scripts de Python para que pruebe los ejemplos y los amplíe de maneras interesantes. Usted: Construirá, entrenará e implementará modelos de aprendizaje automático a escala usando Kubernetes Contenedorizará cualquier tipo de modelo de aprendizaje automático y lo ejecutará en cualquier plataforma usando Docker Implementará modelos de aprendizaje automático y aprendizaje profundo usando los marcos Flask y Streamlit. Nota de contenido: Chapter 1: Introduction to Machine Learning -- Chapter 2: Model Deployment and Challenges -- Chapter 3: Machine Learning Deployment as a Web Service -- Chapter 4: Machine Learning Deployment Using Docker -- Chapter 5: Machine Learning Deployment Using Kubernetes. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Deploy Machine Learning Models to Production : With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform [documento electrónico] / Singh, Pramod, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XIII, 150 p. 115 ilustraciones.
ISBN : 978-1-4842-6546-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Cree e implemente modelos de aprendizaje automático y aprendizaje profundo en producción con ejemplos integrales. Este libro comienza centrándose en el proceso de implementación del modelo de aprendizaje automático y sus desafíos relacionados. A continuación, cubre el proceso de creación e implementación de modelos de aprendizaje automático utilizando diferentes marcos web como Flask y Streamlit. A continuación hay un capítulo sobre Docker que cubre cómo empaquetar y contener modelos de aprendizaje automático. El libro también ilustra cómo construir y entrenar modelos de aprendizaje automático y aprendizaje profundo a escala utilizando Kubernetes. El libro es un buen punto de partida para las personas que desean pasar al siguiente nivel de aprendizaje automático tomando modelos prediseñados e implementándolos en producción. También ofrece orientación a quienes quieran ir más allá de los portátiles Jupyter y entrenar modelos a escala en entornos de nube. Todo el código presentado en el libro está disponible en forma de scripts de Python para que pruebe los ejemplos y los amplíe de maneras interesantes. Usted: Construirá, entrenará e implementará modelos de aprendizaje automático a escala usando Kubernetes Contenedorizará cualquier tipo de modelo de aprendizaje automático y lo ejecutará en cualquier plataforma usando Docker Implementará modelos de aprendizaje automático y aprendizaje profundo usando los marcos Flask y Streamlit. Nota de contenido: Chapter 1: Introduction to Machine Learning -- Chapter 2: Model Deployment and Challenges -- Chapter 3: Machine Learning Deployment as a Web Service -- Chapter 4: Machine Learning Deployment Using Docker -- Chapter 5: Machine Learning Deployment Using Kubernetes. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Learn PySpark : Build Python-based Machine Learning and Deep Learning Models Tipo de documento: documento electrónico Autores: Singh, Pramod, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XVIII, 210 p. 187 ilustraciones, 32 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-4961-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Python (lenguaje de programa informático) Grandes datos Aprendizaje automático Software de código abierto Pitón Fuente abierta Índice Dewey: 005.133 Lenguajes de propósito general Resumen: Aproveche los modelos de aprendizaje profundo y automático para crear aplicaciones a partir de datos en tiempo real utilizando PySpark. Este libro es perfecto para quienes desean aprender a utilizar este lenguaje para realizar análisis de datos exploratorios y resolver una variedad de desafíos comerciales. Comenzará revisando los fundamentos de PySpark, como la arquitectura central de Spark, y verá cómo usar PySpark para el procesamiento de big data, como técnicas de ingesta, limpieza y transformación de datos. A esto le sigue la creación de flujos de trabajo para analizar datos de transmisión utilizando PySpark y una comparación de varias plataformas de transmisión. Luego, verá cómo programar diferentes trabajos de Spark usando Airflow con PySpark y examinará la máquina de ajuste y los modelos de aprendizaje profundo para obtener predicciones en tiempo real. Este libro concluye con una discusión sobre marcos de gráficos y la realización de análisis de redes utilizando algoritmos de gráficos en PySpark. Todo el código presentado en el libro estará disponible en scripts de Python en Github. Nota de contenido: Chapter 1: Introduction to PySpark -- Chapter 2: Data Processing -- Chapter 3: Spark Structured Streaming -- Chapter 4: Airflow -- Chapter 5: Machine Learning Library (MLlib) -- Chapter 6: Supervised Machine Learning -- Chapter 7: Unsupervised Machine Learning -- Chapter 8: Deep Learning Using PySpark. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Learn PySpark : Build Python-based Machine Learning and Deep Learning Models [documento electrónico] / Singh, Pramod, Autor . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XVIII, 210 p. 187 ilustraciones, 32 ilustraciones en color.
ISBN : 978-1-4842-4961-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Python (lenguaje de programa informático) Grandes datos Aprendizaje automático Software de código abierto Pitón Fuente abierta Índice Dewey: 005.133 Lenguajes de propósito general Resumen: Aproveche los modelos de aprendizaje profundo y automático para crear aplicaciones a partir de datos en tiempo real utilizando PySpark. Este libro es perfecto para quienes desean aprender a utilizar este lenguaje para realizar análisis de datos exploratorios y resolver una variedad de desafíos comerciales. Comenzará revisando los fundamentos de PySpark, como la arquitectura central de Spark, y verá cómo usar PySpark para el procesamiento de big data, como técnicas de ingesta, limpieza y transformación de datos. A esto le sigue la creación de flujos de trabajo para analizar datos de transmisión utilizando PySpark y una comparación de varias plataformas de transmisión. Luego, verá cómo programar diferentes trabajos de Spark usando Airflow con PySpark y examinará la máquina de ajuste y los modelos de aprendizaje profundo para obtener predicciones en tiempo real. Este libro concluye con una discusión sobre marcos de gráficos y la realización de análisis de redes utilizando algoritmos de gráficos en PySpark. Todo el código presentado en el libro estará disponible en scripts de Python en Github. Nota de contenido: Chapter 1: Introduction to PySpark -- Chapter 2: Data Processing -- Chapter 3: Spark Structured Streaming -- Chapter 4: Airflow -- Chapter 5: Machine Learning Library (MLlib) -- Chapter 6: Supervised Machine Learning -- Chapter 7: Unsupervised Machine Learning -- Chapter 8: Deep Learning Using PySpark. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Learn TensorFlow 2.0 : Implement Machine Learning and Deep Learning Models with Python Tipo de documento: documento electrónico Autores: Singh, Pramod, Autor ; Manure, Avinash, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2020 Número de páginas: XVI, 164 p. 126 ilustraciones ISBN/ISSN/DL: 978-1-4842-5558-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Aprenda a utilizar TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo con ejemplos completos. El libro comienza con la introducción del marco TensorFlow 2.0 y los principales cambios desde su última versión. A continuación, se centra en la creación de modelos de aprendizaje automático supervisado utilizando TensorFlow 2.0. También demuestra cómo construir modelos utilizando estimadores de clientes. Además, explica cómo utilizar la API de TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo para la clasificación de imágenes utilizando parámetros estándar y personalizados. Revisará las predicciones de secuencia, guardará, entregará, implementará y estandarizará conjuntos de datos y luego implementará estos modelos en producción. Todo el código presentado en el libro estará disponible en forma de scripts ejecutables en Github, lo que le permitirá probar los ejemplos y ampliarlos de formas interesantes. Usted: Revisará las nuevas características de TensorFlow 2.0 Usará TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo Realizará predicciones de secuencias usando TensorFlow 2.0 Implementará modelos de TensorFlow 2.0 con ejemplos prácticos. Nota de contenido: Chapter 1: Introduction to TensorFlow 2.0 -- Chapter 2: Supervised Learning with TensorFlow 2.0 -- Chapter 3: Neural Networks and Deep Learning with TensorFlow 2.0 -- Chapter 4: Images with TensorFlow 2.0 -- Chapter 5: NLP Modeling with TensorFlow 2.0 -- Chapter 6: TensorFlow Models in Production. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Learn TensorFlow 2.0 : Implement Machine Learning and Deep Learning Models with Python [documento electrónico] / Singh, Pramod, Autor ; Manure, Avinash, Autor . - 1 ed. . - Berkeley, CA : Apress, 2020 . - XVI, 164 p. 126 ilustraciones.
ISBN : 978-1-4842-5558-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Aprenda a utilizar TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo con ejemplos completos. El libro comienza con la introducción del marco TensorFlow 2.0 y los principales cambios desde su última versión. A continuación, se centra en la creación de modelos de aprendizaje automático supervisado utilizando TensorFlow 2.0. También demuestra cómo construir modelos utilizando estimadores de clientes. Además, explica cómo utilizar la API de TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo para la clasificación de imágenes utilizando parámetros estándar y personalizados. Revisará las predicciones de secuencia, guardará, entregará, implementará y estandarizará conjuntos de datos y luego implementará estos modelos en producción. Todo el código presentado en el libro estará disponible en forma de scripts ejecutables en Github, lo que le permitirá probar los ejemplos y ampliarlos de formas interesantes. Usted: Revisará las nuevas características de TensorFlow 2.0 Usará TensorFlow 2.0 para crear modelos de aprendizaje automático y aprendizaje profundo Realizará predicciones de secuencias usando TensorFlow 2.0 Implementará modelos de TensorFlow 2.0 con ejemplos prácticos. Nota de contenido: Chapter 1: Introduction to TensorFlow 2.0 -- Chapter 2: Supervised Learning with TensorFlow 2.0 -- Chapter 3: Neural Networks and Deep Learning with TensorFlow 2.0 -- Chapter 4: Images with TensorFlow 2.0 -- Chapter 5: NLP Modeling with TensorFlow 2.0 -- Chapter 6: TensorFlow Models in Production. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Machine Learning with PySpark : With Natural Language Processing and Recommender Systems Tipo de documento: documento electrónico Autores: Singh, Pramod, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XVIII, 223 p. 150 ilustraciones, 1 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-4131-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Python (lenguaje de programa informático) Investigación cuantitativa Software de código abierto Pitón Análisis de datos y Big Data Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Cree modelos de aprendizaje automático, aplicaciones de procesamiento de lenguaje natural y sistemas de recomendación con PySpark para resolver diversos desafíos comerciales. Este libro comienza con los fundamentos de Spark y su evolución y luego cubre todo el espectro de algoritmos tradicionales de aprendizaje automático junto con el procesamiento del lenguaje natural y los sistemas de recomendación que utilizan PySpark. Machine Learning con PySpark le muestra cómo crear modelos de aprendizaje automático supervisados, como regresión lineal, regresión logística, árboles de decisión y bosques aleatorios. También verá modelos de aprendizaje automático no supervisados, como K-means y agrupación jerárquica. Una parte importante del libro se centra en la ingeniería de funciones para crear funciones útiles con PySpark para entrenar modelos de aprendizaje automático. La sección de procesamiento del lenguaje natural cubre el procesamiento de texto, la extracción de texto y la incrustación para clasificación. Después de leer este libro, comprenderá cómo utilizar la biblioteca de aprendizaje automático de PySpark para crear y entrenar varios modelos de aprendizaje automático. Además, se sentirá cómodo con los componentes relacionados de PySpark, como la ingesta, el procesamiento y el análisis de datos, que puede utilizar para desarrollar aplicaciones inteligentes basadas en datos. Usted: Creará un espectro de algoritmos de aprendizaje automático supervisados y no supervisados Implementará algoritmos de aprendizaje automático con bibliotecas Spark MLlib Desarrollará un sistema de recomendación con bibliotecas Spark MLlib Manejará problemas relacionados con la ingeniería de funciones, el equilibrio de clases, el sesgo y la varianza, y la validación cruzada para construir un óptimo modelo de ajuste. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Machine Learning with PySpark : With Natural Language Processing and Recommender Systems [documento electrónico] / Singh, Pramod, Autor . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XVIII, 223 p. 150 ilustraciones, 1 ilustraciones en color.
ISBN : 978-1-4842-4131-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Python (lenguaje de programa informático) Investigación cuantitativa Software de código abierto Pitón Análisis de datos y Big Data Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Cree modelos de aprendizaje automático, aplicaciones de procesamiento de lenguaje natural y sistemas de recomendación con PySpark para resolver diversos desafíos comerciales. Este libro comienza con los fundamentos de Spark y su evolución y luego cubre todo el espectro de algoritmos tradicionales de aprendizaje automático junto con el procesamiento del lenguaje natural y los sistemas de recomendación que utilizan PySpark. Machine Learning con PySpark le muestra cómo crear modelos de aprendizaje automático supervisados, como regresión lineal, regresión logística, árboles de decisión y bosques aleatorios. También verá modelos de aprendizaje automático no supervisados, como K-means y agrupación jerárquica. Una parte importante del libro se centra en la ingeniería de funciones para crear funciones útiles con PySpark para entrenar modelos de aprendizaje automático. La sección de procesamiento del lenguaje natural cubre el procesamiento de texto, la extracción de texto y la incrustación para clasificación. Después de leer este libro, comprenderá cómo utilizar la biblioteca de aprendizaje automático de PySpark para crear y entrenar varios modelos de aprendizaje automático. Además, se sentirá cómodo con los componentes relacionados de PySpark, como la ingesta, el procesamiento y el análisis de datos, que puede utilizar para desarrollar aplicaciones inteligentes basadas en datos. Usted: Creará un espectro de algoritmos de aprendizaje automático supervisados y no supervisados Implementará algoritmos de aprendizaje automático con bibliotecas Spark MLlib Desarrollará un sistema de recomendación con bibliotecas Spark MLlib Manejará problemas relacionados con la ingeniería de funciones, el equilibrio de clases, el sesgo y la varianza, y la validación cruzada para construir un óptimo modelo de ajuste. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
