官术网_书友最值得收藏!

Learn Amazon SageMaker
會員

Quicklybuildanddeploymachinelearningmodelswithoutmanaginginfrastructure,andimproveproductivityusingAmazonSageMaker’scapabilitiessuchasAmazonSageMakerStudio,Autopilot,Experiments,Debugger,andModelMonitorKeyFeatures*Build,train,anddeploymachinelearningmodelsquicklyusingAmazonSageMaker*Analyze,detect,andreceivealertsrelatingtovariousbusinessproblemsusingmachinelearningalgorithmsandtechniques*Improveproductivitybytrainingandfine-tuningmachinelearningmodelsinproductionBookDescriptionAmazonSageMakerenablesyoutoquicklybuild,train,anddeploymachinelearning(ML)modelsatscale,withoutmanaginganyinfrastructure.IthelpsyoufocusontheMLproblemathandanddeployhigh-qualitymodelsbyremovingtheheavyliftingtypicallyinvolvedineachstepoftheMLprocess.ThisbookisacomprehensiveguidefordatascientistsandMLdeveloperswhowanttolearntheinsandoutsofAmazonSageMaker.You’llunderstandhowtousevariousmodulesofSageMakerasasingletoolsettosolvethechallengesfacedinML.Asyouprogress,you’llcoverfeaturessuchasAutoML,built-inalgorithmsandframeworks,andtheoptionforwritingyourowncodeandalgorithmstobuildMLmodels.Later,thebookwillshowyouhowtointegrateAmazonSageMakerwithpopulardeeplearninglibrariessuchasTensorFlowandPyTorchtoincreasethecapabilitiesofexistingmodels.You’llalsolearntogetthemodelstoproductionfasterwithminimumeffortandatalowercost.Finally,you’llexplorehowtouseAmazonSageMakerDebuggertoanalyze,detect,andhighlightproblemstounderstandthecurrentmodelstateandimprovemodelaccuracy.BytheendofthisAmazonbook,you’llbeabletouseAmazonSageMakeronthefullspectrumofMLworkflows,fromexperimentation,training,andmonitoringtoscaling,deployment,andautomation.Whatyouwilllearn*Createandautomateend-to-endmachinelearningworkflowsonAmazonWebServices(AWS)*Becomewell-versedwithdataannotationandpreparationtechniques*UseAutoMLfeaturestobuildandtrainmachinelearningmodelswithAutoPilot*Createmodelsusingbuilt-inalgorithmsandframeworksandyourowncode*TraincomputervisionandNLPmodelsusingreal-worldexamples*Covertrainingtechniquesforscaling,modeloptimization,modeldebugging,andcostoptimization*AutomatedeploymenttasksinavarietyofconfigurationsusingSDKandseveralautomationtoolsWhothisbookisforThisbookisforsoftwareengineers,machinelearningdevelopers,datascientists,andAWSuserswhoarenewtousingAmazonSageMakerandwanttobuildhigh-qualitymachinelearningmodelswithoutworryingaboutinfrastructure.KnowledgeofAWSbasicsisrequiredtograsptheconceptscoveredinthisbookmoreeffectively.SomeunderstandingofmachinelearningconceptsandthePythonprogramminglanguagewillalsobebeneficial.

Julien Simon;Francesco Pochetti ·統(tǒng)計 ·10.1萬字

農(nóng)業(yè)內(nèi)部審計那些事兒
會員

盡管我國有很長的農(nóng)業(yè)史,但在農(nóng)業(yè)現(xiàn)代化上,我們?nèi)栽趭^力追趕,而我們所遇到的挑戰(zhàn)將越來越多。本書主要針對農(nóng)業(yè)企業(yè)內(nèi)部審計中會遇到的一些難題,作了一些經(jīng)驗總結(jié),同時為從事農(nóng)業(yè)管理業(yè)務(wù)的人士提供一些參考資料,盡可能地避開欺詐、舞弊、侵權(quán)、不當(dāng)?shù)美痊F(xiàn)象。目前,市面上有很多關(guān)于內(nèi)部審計的書,但大多數(shù)是從審計職能這個角度進(jìn)行論述,缺乏企業(yè)內(nèi)審角度的著作,因此,本書是從農(nóng)企的角度進(jìn)行論述。很多人認(rèn)為內(nèi)部審計的方法是不分行業(yè)的,但筆者認(rèn)為,在實際工作中還是有差別的。例如,農(nóng)產(chǎn)品盤點比工業(yè)企業(yè)難,農(nóng)產(chǎn)品受苗種、病害、退化、天氣等方面影響大。農(nóng)業(yè)有其自身的經(jīng)營模式,本書從農(nóng)企的特點出發(fā),輔以實戰(zhàn)和經(jīng)驗,選取一些經(jīng)常用到的審計程序和審計項目進(jìn)行分析,使讀者能夠真正掌握農(nóng)業(yè)內(nèi)部審計的精髓。本書內(nèi)容精練、重點突出、實例豐富,是廣大農(nóng)業(yè)內(nèi)部審計人員必備的參考書,同時也非常適合大中專院校師生學(xué)習(xí)閱讀,也可供農(nóng)業(yè)相關(guān)管理者作為培訓(xùn)教材使用。

甘德東 ·統(tǒng)計 ·7.7萬字

A+H股雙重審計管制取消的經(jīng)濟(jì)后果:基于權(quán)益成本和審計質(zhì)量的研究
會員

作為一項在促進(jìn)會計師事務(wù)所增強獨立性和積累經(jīng)驗、提高上市公司治理水平和會計信息質(zhì)量等方面均具有重要作用的審計制度,雙重審計制度及其變遷一直是會計與審計理論界、實務(wù)界十分關(guān)注的話題。然而,現(xiàn)有文獻(xiàn)基本局限于研究雙重審計管制取消導(dǎo)致的審計方面的后果,未充分關(guān)注該政策變化對資本市場的潛在影響;此外,現(xiàn)存關(guān)于雙重審計管制取消的審計后果的研究缺乏對引起公司放棄雙重審計后審計質(zhì)量下降的內(nèi)在機制的深入探索。對此,本書基于審計需求、審計管制、審計供給以及遵循效應(yīng)相關(guān)理論,采用我國上市公司數(shù)據(jù),借助經(jīng)典模型測算權(quán)益成本,新建指標(biāo)反映驅(qū)動審計質(zhì)量變化的內(nèi)在機制,運用多元回歸分析、傾向得分匹配、變化分析、混雜變量影響閾值分析等多種方法,對雙重審計管制取消在資本市場和審計市場上產(chǎn)生的經(jīng)濟(jì)后果進(jìn)行理論闡釋與實證檢驗。本書為理解雙重審計制度及其變遷的影響提供新的參考,對我國今后的審計制度安排與行業(yè)發(fā)展具有重要啟示。

張睿 ·統(tǒng)計 ·12萬字

非線性經(jīng)濟(jì)關(guān)系的建模
會員

美國聯(lián)邦儲備委員會和許多國家中央銀行都在使用的評估和預(yù)測方法。大數(shù)據(jù)時代,人們尊重數(shù)據(jù),分析數(shù)據(jù),解釋數(shù)據(jù),才能把握和預(yù)測未來。分析和利用數(shù)據(jù)都需要模型建模,特別是非線性模型建模。因為大多數(shù)經(jīng)濟(jì)變量具有非線性關(guān)系,經(jīng)濟(jì)是非線性的。時間序列模型的主要功能就是預(yù)測,因此非線性時間序列計量經(jīng)濟(jì)學(xué)成為計量經(jīng)濟(jì)學(xué)拓展演化的必然結(jié)果。本書是計量經(jīng)濟(jì)學(xué)文獻(xiàn)中關(guān)于非線性時間序列計量經(jīng)濟(jì)學(xué)專著。它從正確性和實用性兩個方面判斷模型,主要關(guān)注便于計量經(jīng)濟(jì)學(xué)家使用的相對簡單的模型。具有如下特點:i)給出時間序列計量經(jīng)濟(jì)學(xué)中非線性的定義;ii)綜述常用的非線性時間序列計量經(jīng)濟(jì)模型及其經(jīng)濟(jì)理論依據(jù);iii)系統(tǒng)地提出了非線性時間序列計量經(jīng)濟(jì)模型建模的三步驟,即模型設(shè)定,參數(shù)估計,建模評估;iv)系統(tǒng)論述了Granger的長記憶模型;v)提供了大量實證研究示例。本書的出版對研究財富與消費、匯率與價格、以及短期利率與長期利率之間的關(guān)系等問題都具有非常重要的意義。

(英)克萊夫·格蘭杰 (芬)蒂莫·泰雷斯維爾塔 ·統(tǒng)計 ·8.6萬字

QQ閱讀手機版

主站蜘蛛池模板: 泉州市| 龙海市| 邯郸市| 满城县| 虹口区| 江津市| 尚志市| 四川省| 剑河县| 亚东县| 巴楚县| 固安县| 施秉县| 铁岭市| 蓝山县| 梅河口市| 南安市| 合山市| 天全县| 洪洞县| 中卫市| 河间市| 襄汾县| 禄劝| 蓝田县| 郸城县| 鹤山市| 永寿县| 响水县| 莱芜市| 茌平县| 博罗县| 漾濞| 吉首市| 宽甸| 伊川县| 开远市| 荆州市| 新津县| 廊坊市| 福海县|