© Liashko/Shutterstock.com
Entwickler Magazin
Buchtipp

Buchtipp: Monetizing Machine Learning

Microsoft liebt Machine Learning unter anderem deshalb, weil es einen Continuous Revenue Stream darstellt: Nutzt ein Entwickler Azure beispielsweise zur Bildverschlagwortung, so überweist er die nächsten Jahre jeden Monat Geld nach Redmond. Apress liefert nun ein Lehrbuch, das Ihnen Werkzeuge zum Nachbauen einiger Cloud-Funktionen verspricht.

Tam Hanna


Dass Python-Kenntnisse erforderlich sind, erschließt sich nach einem Blick auf den Untertitel. Netterweise setzt das Autorenteam keine Erfahrungen mit Clouds voraus und erklärt stattdessen AWS, Azure, Google Cloud und Python Anywhere – das erste Kapitel beschäftigt sich nur mit der Auslieferung von Webinhalten in die vier Systeme. Im weiteren Fortgang des vergleichsweise langen Werks kommt für jede Aufgabe nur noch eine der Clouds zum Einsatz, das Flask-Framework ist allerdings ständiger Begleiter. Die ersten beiden Beispiele nutzen Titanic-Überlebenden- und Fahrradverleihdaten, um grundlegende Methoden der linearen Regression zu demonstrieren.Besonders ist das Buch insofern, als jedes der Beispiele eine funktionierende und „lustige“ Applikation ergibt. Der im vierten Kapitel verwendete Gradient Boosting Classifier katalogisiert beispielsweise Weine – mit anderen Trainingsdaten könnte das eine oder andere Weingut den Algorithmus direkt verwenden.Amunategui und Roopaei beschränken sich nicht auf Desktopbrowser – das fünfte Kapitel erklärt, wie man die Ergebnisse von Python-Programmen sowohl in mobilen als auch in desktopgebundenen Browsern auf den Bildschirm bringt.Geoinformationen – Standortdaten und Wettervorhersagen – bieten für künstliche Intelligenz nicht unerheblichen Spielraum. Die Autoren demonstrieren die Methoden anhand zweier Beispiele, die Wettervorhersagen und Verbrechens-prävention durchführen. Darauf folgen Versuche zur Generierung von Empfehlungen von Inhalten und – obligatorisch – ein Experiment mit dem NIST-Handschriftzahlensatz.Das vorliegende Werk verspricht auf dem Cover, nicht nur auf Programmierung, sondern auch auf Monetisierung einzugehen. Nach einer Kurzvorstellung von Google Analytics wendet sich das Autorenteam dem Verfahren der A/B-Tests zu: ein interessanter Weg, um konkurrierende Implementierungen mit wenig Aufwand zu bewerten.Zum Einsammeln von Einnahmen sind im ersten Schritt Benutzerkonten erforderlich. Das Buch empfiehlt in der Einleitung des Abschnitts, auf keinen Fall ein eigenes Accountsystem zu entwickeln – stattdessen sehen Sie vier verschiedene Kandidaten in Aktion. Darauf folgt noch ein letztes Kapitel, das einen „monetisierten Web Service“ realisiert.Lobenswert ist, dass Amunategui und Roopaei nach den diversen Ausführungen noch ein Kapitel zum Aufräumen des Hauses spendieren; das komplette Abtragen von Cloud-Ressourcen ist schon aus kostentechnischer Sicht sinnvoll. Über die reichliche Bebilderung und den didak...

Entwickler Magazin
Buchtipp

Buchtipp: Monetizing Machine Learning

Microsoft liebt Machine Learning unter anderem deshalb, weil es einen Continuous Revenue Stream darstellt: Nutzt ein Entwickler Azure beispielsweise zur Bildverschlagwortung, so überweist er die nächsten Jahre jeden Monat Geld nach Redmond. Apress liefert nun ein Lehrbuch, das Ihnen Werkzeuge zum Nachbauen einiger Cloud-Funktionen verspricht.

Tam Hanna


Dass Python-Kenntnisse erforderlich sind, erschließt sich nach einem Blick auf den Untertitel. Netterweise setzt das Autorenteam keine Erfahrungen mit Clouds voraus und erklärt stattdessen AWS, Azure, Google Cloud und Python Anywhere – das erste Kapitel beschäftigt sich nur mit der Auslieferung von Webinhalten in die vier Systeme. Im weiteren Fortgang des vergleichsweise langen Werks kommt für jede Aufgabe nur noch eine der Clouds zum Einsatz, das Flask-Framework ist allerdings ständiger Begleiter. Die ersten beiden Beispiele nutzen Titanic-Überlebenden- und Fahrradverleihdaten, um grundlegende Methoden der linearen Regression zu demonstrieren.Besonders ist das Buch insofern, als jedes der Beispiele eine funktionierende und „lustige“ Applikation ergibt. Der im vierten Kapitel verwendete Gradient Boosting Classifier katalogisiert beispielsweise Weine – mit anderen Trainingsdaten könnte das eine oder andere Weingut den Algorithmus direkt verwenden.Amunategui und Roopaei beschränken sich nicht auf Desktopbrowser – das fünfte Kapitel erklärt, wie man die Ergebnisse von Python-Programmen sowohl in mobilen als auch in desktopgebundenen Browsern auf den Bildschirm bringt.Geoinformationen – Standortdaten und Wettervorhersagen – bieten für künstliche Intelligenz nicht unerheblichen Spielraum. Die Autoren demonstrieren die Methoden anhand zweier Beispiele, die Wettervorhersagen und Verbrechens-prävention durchführen. Darauf folgen Versuche zur Generierung von Empfehlungen von Inhalten und – obligatorisch – ein Experiment mit dem NIST-Handschriftzahlensatz.Das vorliegende Werk verspricht auf dem Cover, nicht nur auf Programmierung, sondern auch auf Monetisierung einzugehen. Nach einer Kurzvorstellung von Google Analytics wendet sich das Autorenteam dem Verfahren der A/B-Tests zu: ein interessanter Weg, um konkurrierende Implementierungen mit wenig Aufwand zu bewerten.Zum Einsammeln von Einnahmen sind im ersten Schritt Benutzerkonten erforderlich. Das Buch empfiehlt in der Einleitung des Abschnitts, auf keinen Fall ein eigenes Accountsystem zu entwickeln – stattdessen sehen Sie vier verschiedene Kandidaten in Aktion. Darauf folgt noch ein letztes Kapitel, das einen „monetisierten Web Service“ realisiert.Lobenswert ist, dass Amunategui und Roopaei nach den diversen Ausführungen noch ein Kapitel zum Aufräumen des Hauses spendieren; das komplette Abtragen von Cloud-Ressourcen ist schon aus kostentechnischer Sicht sinnvoll. Über die reichliche Bebilderung und den didak...

Neugierig geworden?


   
Loading...

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang