スケーラブルデータサイエンス データエンジニアのための実践Google Cloud Platform

第1章　データに基づくより良い意思決定
　1.1　多くの同様な意思決定
　1.2　データエンジニアの役割
　1.3　クラウドで実現するデータエンジニアリング
　1.4　この本の対象読者
　1.5　クラウドで進化したデータサイエンス
　1.6　この本で扱うケーススタディについて
　1.7　確率論的な意志決定
　1.8　データとツール
　1.9　コードに触れてみる
　1.10　まとめ

第2章　クラウドへのデータの取り込み
　2.1　オンタイム・パフォーマンスデータ
　2.2　データの保存場所
　2.3　データの取り込み
　2.4　毎月のダウンロードをスケジュールする
　2.5　まとめ
　2.6　コードに触れてみる

第3章　魅力的なダッシュボードを作成する
　3.1　ダッシュボードでモデルを説明する
　3.2　最初にダッシュボードを作成する理由
　3.3　正確さ、信頼性、良いデザイン
　3.4　Google Cloud SQLにデータを読み込む
　3.5　Google Cloud SQLインスタンスを作成する
　3.6　Google Cloud Platformの操作方法
　3.7　MySQLのアクセス制御
　3.8　テーブルの作成
　3.9　テーブルへのデータインポート
　3.10　第1のモデル
　3.11　ダッシュボードの作成
　3.12　データポータルを使ってみる
　3.13　まとめ

第4章　ストリーミング・データ処理
　4.1　イベントフィードの設計
　4.2　時刻補正
　4.3　Apache Beam/Cloud Dataflow
　4.4　Cloud Pub/Subにイベントストリームを発行する
　4.5　リアルタイムストリーミング処理
　4.6　まとめ

第5章　インタラクティブなデータ探索
　5.1　探索的データ分析
　5.2　フライトデータをBigQueryに読み込む
　5.3　Cloud Datalabによる探索的データ分析
　5.4　データの品質管理
　5.5　出発遅延時間に対応した到着遅延時間
　5.6　モデルの評価
　5.7　まとめ

第6章　Cloud Dataprocによるベイズ分類器
　6.1　MapReduceとHadoopエコシステム
　6.2　Spark SQLを使用した変数の離散化
　6.3　Pigを用いたベイズ分類
　6.4　まとめ

第7章　Sparkによるロジスティック回帰分析
　7.1　ロジスティック回帰
　7.2　特徴量エンジニアリング
　7.3　まとめ

第8章　スライディングウィンドウによる集計処理
　8.1　時間平均の必要性
　8.2　JavaでのDataflow
　8.3　時間平均の計算
　8.4　監視、トラブルシューティング、パフォーマンスチューニング
　8.5　まとめ

第9章　TensorFlowを用いた分類モデル
　9.1　より複雑なモデルへ
　9.2　データをTensorFlowに読み込む
　9.3　Experimentクラスの設定
　9.4　ディープニューラルネットワーク（DNN）モデル
　9.5　まとめ

第10章　リアルタイム機械学習
　10.1　予測サービスの呼び出し
　10.2　フライト情報への予測の追加
　10.3　ストリーミングパイプライン
　10.4　トランザクション、スループット、待ち時間
　10.5　まとめ
　10.6　本書のまとめ

付録A　機械学習データセット内の機密データに関する考慮事項
　A.1　機密情報の取り扱い
　A.2　機密データの識別
　A.3　機密データの保護
　A.4　ガバナンスポリシーの確立

会員特典はこちら

お問い合わせ

内容についてのお問い合わせは、正誤表、追加情報をご確認後に、お送りいただくようお願いいたします。

正誤表、追加情報に掲載されていない書籍内容へのお問い合わせや
その他書籍に関するお問い合わせは、書籍のお問い合わせフォームからお送りください。

利用許諾に関するお問い合わせ

本書の書影（表紙画像）をご利用になりたい場合は書影許諾申請フォームから申請をお願いいたします。
書影（表紙画像）以外のご利用については、こちらからお問い合わせください。