Generative AI on AWS

(ebook) (audiobook) (audiobook)

Autorzy:: Chris Fregly, Antje Barth, Shelbee Eigenbrode

Promocja Przejdź

Generative AI on AWS Chris Fregly, Antje Barth, Shelbee Eigenbrode - okladka książki

Generative AI on AWS Chris Fregly, Antje Barth, Shelbee Eigenbrode - audiobook MP3

Generative AI on AWS Chris Fregly, Antje Barth, Shelbee Eigenbrode - audiobook CD

Wydawnictwo:: O'Reilly Media (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 312
Dostępne formaty:: ePub

Mobi

Ebook (245,65 zł najniższa cena z 30 dni)

~~299,00 zł~~ (-15%)
254,15 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

(245,65 zł najniższa cena z 30 dni)

Przenieś na półkę

Do przechowalni

Companies today are moving rapidly to integrate generative AI into their products and services. But there's a great deal of hype (and misunderstanding) about the impact and promise of this technology. With this book, Chris Fregly, Antje Barth, and Shelbee Eigenbrode from AWS help CTOs, ML practitioners, application developers, business analysts, data engineers, and data scientists find practical ways to use this exciting new technology.

You'll learn the generative AI project life cycle including use case definition, model selection, model fine-tuning, retrieval-augmented generation, reinforcement learning from human feedback, and model quantization, optimization, and deployment. And you'll explore different types of models including large language models (LLMs) and multimodal models such as Stable Diffusion for generating images and Flamingo/IDEFICS for answering questions about images.

Apply generative AI to your business use cases
Determine which generative AI models are best suited to your task
Perform prompt engineering and in-context learning
Fine-tune generative AI models on your datasets with low-rank adaptation (LoRA)
Align generative AI models to human values with reinforcement learning from human feedback (RLHF)
Augment your model with retrieval-augmented generation (RAG)
Explore libraries such as LangChain and ReAct to develop agents and actions
Build generative AI applications with Amazon Bedrock

Wybrane bestsellery

O autorach książki

Chris Fregly jest głównym architektem rozwiązań w zakresie generatywnej AI w AWS i współautorem książki Inżynieria danych na platformie AWS (Helion, 2022).

Antje Barth jest główną programistką generatywnej AI w AWS i współautorką książki Inżynieria danych na platformie AWS.

Shelbee Eigenbrode jest główną architektką rozwiązań w zakresie generatywnej AI w AWS. Posiada ponad 35 patentów z różnych dziedzin techniki.

Chris Fregly, Antje Barth, Shelbee Eigenbrode - pozostałe książki

Nowość Promocja Promocja 2za1

W tej niezwykle pragmatycznej książce, przeznaczonej dla dyrektorów technicznych, praktyków uczenia maszynowego, twórców aplikacji, analityków biznesowych, inżynierów i badaczy danych, znajdziesz skuteczne techniki używania sztucznej inteligencji. Zaznajomisz się z cyklem życia projektu opartego na generatywnej AI i jej zastosowaniami, a także metodami doboru i dostrajania modeli, generowania danych wspomaganego wyszukiwaniem, uczenia przez wzmacnianie na podstawie informacji zwrotnych od człowieka, kwantyzacji, optymalizacji i wdrażania modeli. Poznasz szczegóły różnych typów modeli, między innymi dużych językowych (LLM), multimodalnych generujących obrazy (Stable Diffusion) i odpowiadających na pytania wizualne (Flamingo/IDEFICS).
- Druk
- PDF + ePub + Mobi
Generatywna sztuczna inteligencja na platformie AWS. Tworzenie multimodalnych aplikacji wnioskujących kontekstowo

Chris Fregly, Antje Barth, Shelbee Eigenbrode

(51,35 zł najniższa cena z 30 dni)

47.40 zł ~~79.00 zł (-40%)~~
Promocja Promocja 2za1

Dzięki temu praktycznemu przewodnikowi szybko nauczysz się tworzyć i uruchamiać procesy w chmurze, a następnie integrować wyniki z aplikacjami. Zapoznasz się ze scenariuszami stosowania technik sztucznej inteligencji: przetwarzania języka naturalnego, rozpoznawania obrazów, wykrywania oszustw, wyszukiwania kognitywnego czy wykrywania anomalii w czasie rzeczywistym. Ponadto dowiesz się, jak łączyć cykle rozwoju modeli z pobieraniem i analizą danych w powtarzalnych potokach MLOps.
- Druk
- PDF + ePub + Mobi
Inżynieria danych na platformie AWS. Jak tworzyć kompletne potoki uczenia maszynowego

Chris Fregly, Antje Barth

(82,56 zł najniższa cena z 30 dni)

77.40 zł ~~129.00 zł (-40%)~~
Promocja Promocja 2za1

Going beyond the basics, Amazon SageMaker Best Practices provides end-to-end coverage of the service capabilities that the platform offers for building and automating machine learning workloads to address data science challenges. With this book, you'll discover tips to train, deploy, and monitor your machine learning solutions efficiently.
- PDF + ePub + Mobi
Amazon SageMaker Best Practices. Proven tips and tricks to build successful machine learning solutions on Amazon SageMaker

Sireesha Muppala, Randy DeFauw, Shelbee Eigenbrode

(29,90 zł najniższa cena z 30 dni)

116.10 zł ~~129.00 zł (-10%)~~
Promocja Promocja 2za1

With this practical book, AI and machine learning practitioners will learn how to successfully build and deploy data science projects on Amazon Web Services. The Amazon AI and machine learning stack unifies data science, data engineering, and application development to help level upyour skills. This guide shows you how to build and run pipelines in
- ePub + Mobi
Data Science on AWS

Chris Fregly, Antje Barth

(220,15 zł najniższa cena z 30 dni)

228.65 zł ~~269.00 zł (-15%)~~

Ebooka "Generative AI on AWS" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Audiobooka "Generative AI on AWS" posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolonych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video "Generative AI on AWS" zobaczysz:

Oceny i opinie klientów: Generative AI on AWS Chris Fregly, Antje Barth, Shelbee Eigenbrode (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.

Szczegóły książki

ISBN Ebooka:: 978-10-981-5918-4, 9781098159184
Data wydania ebooka :: 2023-11-13 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
Język publikacji:: 1
Rozmiar pliku ePub:: 42.1MB
Rozmiar pliku Mobi:: 79.1MB

Zgłoś erratę
Kategorie:
Sztuczna inteligencja

Spis treści książki

Preface
- Conventions Used in This Book
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
  - Chris
  - Antje
  - Shelbee
1. Generative AI Use Cases, Fundamentals, and Project Life Cycle
- Use Cases and Tasks
- Foundation Models and Model Hubs
- Generative AI Project Life Cycle
- Generative AI on AWS
- Why Generative AI on AWS?
- Building Generative AI Applications on AWS
- Summary
2. Prompt Engineering and In-Context Learning
- Prompts and Completions
- Tokens
- Prompt Engineering
- Prompt Structure
  - Instruction
  - Context
- In-Context Learning with Few-Shot Inference
  - Zero-Shot Inference
  - One-Shot Inference
  - Few-Shot Inference
  - In-Context Learning Gone Wrong
  - In-Context Learning Best Practices
- Prompt-Engineering Best Practices
- Inference Configuration Parameters
- Summary
3. Large-Language Foundation Models
- Large-Language Foundation Models
- Tokenizers
- Embedding Vectors
- Transformer Architecture
  - Inputs and Context Window
  - Embedding Layer
  - Encoder
  - Self-Attention
  - Decoder
  - Softmax Output
- Types of Transformer-Based Foundation Models
- Pretraining Datasets
- Scaling Laws
- Compute-Optimal Models
- Summary
4. Memory and Compute Optimizations
- Memory Challenges
- Data Types and Numerical Precision
- Quantization
  - fp16
  - bfloat16
  - fp8
  - int8
- Optimizing the Self-Attention Layers
  - FlashAttention
  - Grouped-Query Attention
- Distributed Computing
  - Distributed Data Parallel
  - Fully Sharded Data Parallel
  - Performance Comparison of FSDP over DDP
- Distributed Computing on AWS
  - Fully Sharded Data Parallel with Amazon SageMaker
  - AWS Neuron SDK and AWS Trainium
- Summary
5. Fine-Tuning and Evaluation
- Instruction Fine-Tuning
  - Llama 2-Chat
  - Falcon-Chat
  - FLAN-T5
- Instruction Dataset
  - Multitask Instruction Dataset
  - FLAN: Example Multitask Instruction Dataset
  - Prompt Template
  - Convert a Custom Dataset into an Instruction Dataset
- Instruction Fine-Tuning
  - Amazon SageMaker Studio
  - Amazon SageMaker JumpStart
  - Amazon SageMaker Estimator for Hugging Face
- Evaluation
  - Evaluation Metrics
  - Benchmarks and Datasets
- Summary
6. Parameter-Efficient Fine-Tuning
- Full Fine-Tuning Versus PEFT
- LoRA and QLoRA
  - LoRA Fundamentals
  - Rank
  - Target Modules and Layers
  - Applying LoRA
  - Merging LoRA Adapter with Original Model
  - Maintaining Separate LoRA Adapters
  - Full-Fine Tuning Versus LoRA Performance
  - QLoRA
- Prompt Tuning and Soft Prompts
- Summary
7. Fine-Tuning with Reinforcement Learning from Human Feedback
- Human Alignment: Helpful, Honest, and Harmless
- Reinforcement Learning Overview
- Train a Custom Reward Model
  - Collect Training Dataset with Human-in-the-Loop
  - Sample Instructions for Human Labelers
  - Using Amazon SageMaker Ground Truth for Human Annotations
  - Prepare Ranking Data to Train a Reward Model
  - Train the Reward Model
- Existing Reward Model: Toxicity Detector by Meta
- Fine-Tune with Reinforcement Learning from Human Feedback
  - Using the Reward Model with RLHF
  - Proximal Policy Optimization RL Algorithm
  - Perform RLHF Fine-Tuning with PPO
  - Mitigate Reward Hacking
  - Using Parameter-Efficient Fine-Tuning with RLHF
- Evaluate RLHF Fine-Tuned Model
  - Qualitative Evaluation
  - Quantitative Evaluation
  - Load Evaluation Model
  - Define Evaluation-Metric Aggregation Function
  - Compare Evaluation Metrics Before and After
- Summary
8. Model Deployment Optimizations
- Model Optimizations for Inference
  - Pruning
  - Post-Training Quantization with GPTQ
  - Distillation
- Large Model Inference Container
- AWS Inferentia: Purpose-Built Hardware for Inference
- Model Update and Deployment Strategies
  - A/B Testing
  - Shadow Deployment
- Metrics and Monitoring
- Autoscaling
  - Autoscaling Policies
  - Define an Autoscaling Policy
- Summary
9. Context-Aware Reasoning Applications Using RAG and Agents
- Large Language Model Limitations
  - Hallucination
  - Knowledge Cutoff
- Retrieval-Augmented Generation
  - External Sources of Knowledge
  - RAG Workflow
  - Document Loading
  - Chunking
  - Document Retrieval and Reranking
  - Prompt Augmentation
- RAG Orchestration and Implementation
  - Document Loading and Chunking
  - Embedding Vector Store and Retrieval
  - Retrieval Chains
  - Reranking with Maximum Marginal Relevance
- Agents
  - ReAct Framework
  - Program-Aided Language Framework
- Generative AI Applications
- FMOps: Operationalizing the Generative AI Project Life Cycle
  - Experimentation Considerations
  - Development Considerations
  - Production Deployment Considerations
- Summary
10. Multimodal Foundation Models
- Use Cases
- Multimodal Prompt Engineering Best Practices
- Image Generation and Enhancement
  - Image Generation
  - Image Editing and Enhancement
- Inpainting, Outpainting, Depth-to-Image
  - Inpainting
  - Outpainting
  - Depth-to-Image
- Image Captioning and Visual Question Answering
  - Image Captioning
  - Content Moderation
  - Visual Question Answering
- Model Evaluation
  - Text-to-Image Generative Tasks
  - Forward Diffusion
  - Nonverbal Reasoning
- Diffusion Architecture Fundamentals
  - Forward Diffusion
  - Reverse Diffusion
  - U-Net
- Stable Diffusion 2 Architecture
  - Text Encoder
  - U-Net and Diffusion Process
  - Text Conditioning
  - Cross-Attention
  - Scheduler
  - Image Decoder
- Stable Diffusion XL Architecture
  - U-Net and Cross-Attention
  - Refiner
  - Conditioning
- Summary
11. Controlled Generation and Fine-Tuning with Stable Diffusion
- ControlNet
- Fine-Tuning
  - DreamBooth
  - DreamBooth and PEFT-LoRA
  - Textual Inversion
- Human Alignment with Reinforcement Learning from Human Feedback
- Summary
12. Amazon Bedrock: Managed Service for Generative AI
- Bedrock Foundation Models
  - Amazon Titan Foundation Models
  - Stable Diffusion Foundation Models from Stability AI
- Bedrock Inference APIs
- Large Language Models
  - Generate SQL Code
  - Summarize Text
  - Embeddings
- Fine-Tuning
- Agents
- Multimodal Models
  - Create Images from Text
  - Create Images from Images
- Data Privacy and Network Security
- Governance and Monitoring
- Summary
Index