book

Ciência de dados na AWS

Name: Ciência de dados na AWS
ISBN: 9798341643079

by Chris Fregly, Antje Barth

April 2025

Intermediate to advanced

524 pages

14h 50m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Read now

Unlock full access

Prefácio
Visão geral dos capítulosQuem deve ler este livroOutros recursosConvenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
1. Introdução à ciência de dados na AWS
Benefícios da computação em CloudAgilePoupança de custosElasticidadeInova mais depressaImplementa globalmente em minutosTransição suave do protótipo para a produçãoPipelines e fluxos de trabalho de ciência de dadosPipelines do Amazon SageMakerSDK de ciência de dados do AWS Step FunctionsPipelines KubeflowFluxos de trabalho geridos para o Apache Airflow na AWSMLflowTensorFlow estendidoFluxos de trabalho humanos no circuitoMelhores práticas de MLOpsExcelência operacionalSegurançaFiabilidadeEficiência de desempenhoOtimização de custosServiços de IA da Amazon e AutoML com o Amazon SageMakerServiços de IA da AmazonAutoML com SageMaker AutopilotIngestão, exploração e preparação de dados na AWSIngestão de dados e Data Lakes com o Amazon S3 e AWS Lake FormationAnálise de dados com o Amazon Athena, o Amazon Redshift e o Amazon QuickSightAvalia a qualidade dos dados com o AWS Deequ e as tarefas de processamento do SageMakerRotula os dados de treino com o SageMaker Ground TruthTransformação de dados com AWS Glue DataBrew, SageMaker Data Wrangler e SageMaker Processing JobsTreinamento e ajuste de modelos com o Amazon SageMakerTreinar modelos com o SageMaker Treinamento e experiênciasAlgoritmos incorporadosTraz o teu próprio guião (Modo de guião)Traz o teu próprio recipienteSoluções pré-construídas e modelos pré-treinados com o SageMaker JumpStartAjusta e valida modelos com o ajuste de hiper-parâmetros do SageMakerImplantação de modelos com o Amazon SageMaker e funções AWS LambdaPontos de extremidade do SageMakerTransformação em lote SageMakerImplantação de modelos sem servidor com o AWS LambdaAnalítica de streaming e aprendizagem automática na AWSAmazon Kinesis StreamingAmazon Managed Streaming para o Apache KafkaPrevisões de streaming e deteção de anomaliasInfraestrutura AWS e hardware personalizadoTipos de Instância do SageMaker ComputeGPUs e hardware de computação personalizado da AmazonNetwork+ optimizado para GPU e hardware personalizadoOpções de armazenamento optimizadas para o treino de modelos em grande escalaReduzir custos com etiquetas, orçamentos e alertasResumo
2. Casos de utilização da ciência dos dados
Inovação em todos os sectoresRecomendações personalizadas de produtosRecomenda produtos com o Amazon PersonalizeGera recomendações com o Amazon SageMaker e o TensorFlowGera recomendações com o Amazon SageMaker e o Apache SparkDetecta vídeos impróprios com o Amazon RekognitionPrevisão da procuraPrevê o consumo de energia com o Amazon ForecastPrevê a procura de instâncias do Amazon EC2 com o Amazon ForecastIdentifica contas falsas com o Detetor de Fraudes da AmazonAtivar a deteção de fuga de privacidade com o Amazon MacieDispositivos de conversação e assistentes de vozReconhecimento de voz com o Amazon LexConversão de texto em voz com o Amazon PollyConversão de voz para texto com o Amazon TranscribeAnálise de texto e processamento de linguagem naturalTraduzir idiomas com o Amazon TranslateClassifica as mensagens de apoio ao cliente com o Amazon ComprehendExtrai detalhes do currículo com o Amazon Textract e o ComprehendPesquisa Cognitiva e Compreensão de Linguagem NaturalCentros inteligentes de apoio ao clienteServiços de IA industrial e manutenção preditivaAutomação doméstica com AWS IoT e Amazon SageMakerExtrai informações médicas de documentos de saúdeInfraestrutura Cloud inteligente e auto-optimizadaEscalonamento automático preditivo para o Amazon EC2Deteção de anomalias em fluxos de dadosInteligência Empresarial Cognitiva e PreditivaFaz perguntas em linguagem natural com o Amazon QuickSightTreina e invoca modelos SageMaker com o Amazon RedshiftInvoca modelos do Amazon Comprehend e do SageMaker a partir da base de dados SQL do Amazon AuroraInvoca o modelo SageMaker a partir do Amazon AthenaExecuta previsões em dados de gráfico usando o Amazon NeptuneEducar a próxima geração de programadores de IA e MLCria modelos de visão computacional com o AWS DeepLensAprende o aprendizado por reforço com o AWS DeepRacerCompreende as GANs com o AWS DeepComposerPrograma o sistema operativo da natureza com a computação quânticaBits Quânticos Versus Bits DigitaisA supremacia quântica e as eras da computação quânticaDecifrar a criptografiaSimulações moleculares e descoberta de medicamentosOptimizações logísticas e financeirasAprendizagem automática quântica e IAProgramar um computador quântico com o Amazon BraketCentro AWS para Computação QuânticaAumenta o desempenho e reduz os custosRevisões automáticas de código com o CodeGuru ReviewerMelhora o desempenho das aplicações com o CodeGuru ProfilerMelhora a disponibilidade das aplicações com o DevOps GuruResumo
3. Aprendizagem automática de máquinas
Aprendizagem automática de máquinas com o piloto automático da SageMakerAcompanha as experiências com o piloto automático do SageMakerTreina e implementa um classificador de texto com o SageMaker AutopilotTreina e implementa com o SageMaker Autopilot UITreina e implementa um modelo com o SageMaker Autopilot Python SDKPrevê com o Amazon Athena e o SageMaker AutopilotTreina e prevê com o Amazon Redshift ML e o SageMaker AutopilotAprendizagem automática de máquinas com o Amazon ComprehendPrevê com o modelo incorporado do Amazon ComprehendTreina e implementa um modelo personalizado com a IU do Amazon ComprehendTreina e implementa um modelo personalizado com o Amazon Comprehend Python SDKResumo
4. Ingerir dados na Cloud
Lagos de dadosImportar dados para o lago de dados S3Descreve o conjunto de dadosConsulta o lago de dados do Amazon S3 com o Amazon AthenaAcede ao Athena a partir da consola da AWSRegistar dados S3 como uma tabela AthenaActualiza as tabelas do Athena à medida que chegam novos dados com o AWS Glue CrawlerCria uma tabela baseada em parquet no AthenaIngerir continuamente novos dados com o AWS Glue CrawlerConstrói uma casa no lago com o Amazon Redshift SpectrumExportar dados do Amazon Redshift para o S3 Data Lake como ParquetPartilha de dados entre clusters do Amazon RedshiftEscolhe entre o Amazon Athena e o Amazon RedshiftReduzir os custos e aumentar o desempenhoS3 Intelligent-TieringDivisórias de parquet e compressãoDesenho e compressão de tabelas do Amazon RedshiftUtiliza Bloom Filters para melhorar o desempenho da consultaVisualizações materializadas no Amazon Redshift SpectrumResumo
5. Explora o conjunto de dados
Ferramentas para explorar dados no AWSVisualiza o nosso lago de dados com o SageMaker StudioPrepara o SageMaker Studio para visualizar o nosso conjunto de dadosExecuta um exemplo de consulta Athena no SageMaker StudioMergulha profundamente no conjunto de dados com o Athena e o SageMakerConsulta o nosso Data WarehouseExecuta uma consulta de amostra do Amazon Redshift a partir do SageMaker StudioMergulha profundamente no conjunto de dados com o Amazon Redshift e o SageMakerCria Dashboards com o Amazon QuickSightDetecta problemas de qualidade de dados com o Amazon SageMaker e o Apache SparkSageMaker Processamento EmpregosAnalisa o nosso conjunto de dados com o Deequ e o Apache SparkDetetar preconceitos no nosso conjunto de dadosGera e Visualiza Relatórios de Preconceitos com o SageMaker Data WranglerDetetar distorções com uma tarefa de processamento do SageMaker ClarifyIntegra a Deteção de Preconceitos em Scripts Personalizados com o SageMaker Clarify Open SourceAtenua o enviesamento dos dados equilibrando-osDetecta diferentes tipos de desvio com o SageMaker ClarifyAnalisa os nossos dados com o AWS Glue DataBrewReduzir os custos e aumentar o desempenhoUsa um compartimento S3 partilhado para resultados de consultas Athena não sensíveisContagens aproximadas com HyperLogLogDimensiona dinamicamente um Data Warehouse com AQUA para Amazon RedshiftMelhora o desempenho do Dashboard com o QuickSight SPICEResumo
6. Prepara o conjunto de dados para o treino do modelo
Efectua a seleção e engenharia de caraterísticasSelecionar caraterísticas de treino com base na importância das caraterísticasEquilibra o conjunto de dados para melhorar a precisão do modeloDivide o conjunto de dados em conjuntos de treino, validação e testeTransforma texto em bruto em BERT EmbeddingsConverte caraterísticas e rótulos para o formato de ficheiro TensorFlow optimizadoEscala a engenharia de recursos com empregos de processamento do SageMakerTransforma com o scikit-learn e o TensorFlowTransforma com o Apache Spark e o TensorFlowPartilha caraterísticas através do SageMaker Feature StoreIngerir recursos no armazenamento de recursos do SageMakerRecupera caraterísticas do SageMaker Feature StoreIngere e transforma dados com o SageMaker Data WranglerAcompanha a linhagem de artefactos e experiências com o Amazon SageMakerCompreende os conceitos de rastreio de linhagemMostra a linhagem de um trabalho de engenharia de recursosCompreender o SageMaker Experiments APIIngerir e transformar dados com o AWS Glue DataBrewResumo
7. Treina o teu primeiro modelo
Compreende a infraestrutura SageMakerIntrodução aos contentores SageMakerAumenta a disponibilidade com o isolamento de computação e de redeImplementa um modelo BERT pré-treinado com o SageMaker JumpStartDesenvolve um modelo SageMakerAlgoritmos incorporadosTraz o teu próprio guiãoTraz o teu próprio recipienteUma breve história do processamento de linguagem naturalArquitetura do transformador BERTTreinar o BERT a partir do zeroModelo de linguagem mascaradaPrevisão da frase seguinteAperfeiçoa um modelo BERT pré-treinadoCria o guião de formaçãoConfigura as divisões dos conjuntos de dados de treino, validação e testeConfigura o modelo de classificador personalizadoTreina e valida o modeloGuarda o modeloLança o Script de Treinamento a partir de um Notebook SageMakerDefine as métricas a captar e monitorizarConfigura os hiper-parâmetros para o nosso algoritmoSeleciona o tipo de instância e a contagem de instânciasColoca tudo no bloco de notasTransfere e inspecciona o nosso modelo treinado a partir do S3Mostra a linhagem da experiência para o nosso trabalho de formação SageMakerMostra a linhagem do artefacto para o nosso trabalho de formação SageMakerAvalia os modelosExecuta algumas previsões ad hoc a partir do bloco de notasAnalisa o nosso classificador com uma matriz de confusãoVisualiza a nossa rede neural com o TensorBoardMonitoriza as métricas com o SageMaker StudioMonitoriza as métricas com o CloudWatch MetricsDepura e traça o perfil do treinamento de modelos com o depurador do SageMakerDetetar e resolver problemas com as regras e acções do SageMaker DebuggerPerfil Formação EmpregosInterpreta e explica as previsões do modeloDetecta o desvio do modelo e explica as previsõesDetetar distorções com uma tarefa de processamento do SageMaker ClarifyAtribuição de caraterísticas e importância com SageMaker Clarify e SHAPMais opções de formação para o BERTConverte o modelo BERT do TensorFlow para PyTorchTreina modelos BERT do PyTorch com o SageMakerTreina modelos Apache MXNet BERT com o SageMakerTreina modelos BERT com PyTorch e a biblioteca AWS Deep JavaReduzir os custos e aumentar o desempenhoUtiliza pequenas instâncias do NotebookTesta os scripts de treino de modelos localmente no NotebookPerfil Empregos de formação com o SageMaker DebuggerComeça com um modelo pré-treinadoUsa meia precisão de 16 bits e bfloat16Mistura de 32 bits de precisão total e 16 bits de meia precisãoQuantizaçãoUsa hardware otimizado para treinamentoInstâncias pontuais e pontos de controloRegra de paragem antecipada no depurador do SageMakerResumo
8. Treina e optimiza modelos à escala
Encontra automaticamente os melhores hiper-parâmetros do modeloConfigurar os intervalos de hiperparâmetrosExecuta a tarefa de ajuste do hiper-parâmetroAnalisa os melhores hiper-parâmetros da tarefa de afinaçãoMostra a linhagem da experiência para o nosso trabalho de afinação SageMakerUsa o Warm Start para tarefas adicionais de ajuste de hiper-parâmetros do SageMakerExecuta uma tarefa HPT usando o Warm StartAnalisa os melhores hiper-parâmetros da tarefa de afinação de arranque a quenteAmplia a escala com a Formação Distribuída SageMakerEscolhe uma estratégia de comunicação distribuídaEscolhe uma estratégia de paralelismoEscolhe um sistema de ficheiros distribuídoLança a tarefa de formação distribuídaReduzir os custos e aumentar o desempenhoComeça com intervalos razoáveis de hiper-parâmetrosFragmentar os dados com ShardedByS3KeyTransmite dados em tempo real com o modo PipePermite um Network+ melhoradoResumo
9. Implementa modelos na produção
Escolhe Previsões em Tempo Real ou em LotePrevisões em tempo real com SageMaker EndpointsImplanta o modelo usando o SageMaker Python SDKAcompanha a implementação do modelo na nossa experiênciaAnalisa a linhagem de experiências de um modelo implementadoInvoca previsões usando o SageMaker Python SDKInvoca Previsões usando HTTP POSTCria Pipelines de InferênciaInvoca modelos SageMaker a partir de consultas SQL e baseadas em gráficosEscala automaticamente os pontos de extremidade do SageMaker usando o Amazon CloudWatchDefine uma política de dimensionamento com métricas fornecidas pela AWSDefine uma política de escalonamento com uma métrica personalizadaAjustar a capacidade de resposta utilizando um período de arrefecimentoPolíticas de auto-escalaEstratégias de implementação de modelos novos e actualizadosTráfego dividido para lançamentos canáriosMuda o tráfego para implantações azuis/verdesTeste e comparação de novos modelosExecuta testes A/B para comparar variantes de modelosAprendizagem por reforço com teste de bandido multiarmasMonitoriza o desempenho do modelo e detecta desviosAtivar a captura de dadosCompreende as linhas de base e a derivaMonitora a qualidade dos dados dos SageMaker Endpoints implantadosCria uma linha de base para medir a qualidade dos dadosAgenda os trabalhos de monitorização da qualidade dos dadosInspecciona os resultados da qualidade dos dadosMonitora a qualidade do modelo dos pontos de extremidade implantados do SageMakerCria uma linha de base para medir a qualidade do modeloAgenda os trabalhos de monitorização da qualidade do modeloInspecciona os resultados da monitorização da qualidade do modeloMonitora o desvio de tendência dos pontos de extremidade implantados do SageMakerCria uma linha de base para detetar preconceitosMonitorização de desvios de programação EmpregosInspecciona os resultados da monitorização do desvio de polarizaçãoMonitora o desvio de atribuição de recursos dos pontos de extremidade implantados do SageMakerCria uma linha de base para monitorizar a atribuição de funcionalidadesAtribuição da função de programação Trabalhos de monitorização da derivaInspecionar os resultados do controlo da deriva da atribuição do elementoExecuta previsões em lote com SageMaker Batch TransformSelecionar um tipo de instânciaPrepara os dados de entradaAjusta a configuração de transformação em lote do SageMakerPrepara a tarefa de transformação em lote do SageMakerExecuta a tarefa de transformação em lote do SageMakerRevê as previsões de lotesFunções AWS Lambda e Amazon API GatewayOptimiza e gere modelos no EdgeImplementa um modelo PyTorch com o TorchServeInferência TensorFlow-BERT com a biblioteca Java do AWS DeepReduzir os custos e aumentar o desempenhoEliminar pontos finais não utilizados e dimensionar em clusters subutilizadosImplementa vários modelos num contentorAnexa um acelerador de inferência elástica baseado em GPUOtimiza um modelo treinado com o SageMaker Neo e o TensorFlow LiteUsa hardware otimizado por inferênciaResumo

10. Pipelines e MLOps
Operações de aprendizagem automáticaPipelines de softwarePipelines de aprendizagem automáticaComponentes de pipelines de aprendizagem automática eficazesEtapas de um pipeline de aprendizagem automática eficazOrquestração de pipelines com o SageMaker PipelinesCria uma experiência para seguir a linha do nosso pipelineDefine as etapas do nosso pipelineConfigura os parâmetros do pipelineCria o pipelineInicia o Pipeline com o Python SDKInicia o Pipeline com o SageMaker Studio UIAprova o modelo de preparação e produçãoRevê a linhagem de artefactos do pipelineRevê a linhagem da experiência do pipelineAutomatização com o SageMaker PipelinesAciona o GitOps ao fazer o commit do códigoS3 Trigger quando chegam novos dadosAcionador de programa baseado no tempoDisparador de desvio estatísticoMais opções de condutasFunções AWS Step e o SDK de ciência de dadosPipelines KubeflowApache AirflowMLflowTensorFlow estendidoFluxos de trabalho humanos no circuitoMelhorar a precisão do modelo com o Amazon A2ILoops de feedback de aprendizagem ativa com o SageMaker Ground TruthReduzir os custos e melhorar o desempenhoEtapas do pipeline de cacheUtiliza instâncias Spot menos dispendiosasResumo
11. Análise de fluxo contínuo e aprendizagem automática
Aprendizagem em linha versus aprendizagem fora de linhaAplicações de streamingConsultas em Windows sobre dados em fluxo contínuoEscalonar WindowsJanelas de quedaWindows de correrAnalítica de streaming e aprendizagem automática na AWSClassifica as avaliações de produtos em tempo real com o Amazon Kinesis, o AWS Lambda e o Amazon SageMakerImplementar a ingestão de dados em fluxo contínuo utilizando o Amazon Kinesis Data FirehoseCria uma função Lambda para invocar o SageMaker EndpointCria o fluxo de entrega do Kinesis Data FirehoseColoca mensagens no fluxoResume as análises de produtos em tempo real com o Streaming AnalyticsConfigurar a análise de dados do Amazon KinesisCriar um fluxo de dados do Kinesis para fornecer dados a um aplicativo personalizadoCria uma função AWS Lambda para enviar notificações através do Amazon SNSCria uma função AWS Lambda para publicar métricas no Amazon CloudWatchTransforma os dados de streaming no Kinesis Data AnalyticsCompreende os fluxos e as bombas na aplicaçãoAplicações de análise de dados do Amazon KinesisCalcula a classificação média por estrelasDetecta anomalias em dados em fluxo contínuoCalcula contagens aproximadas de dados em fluxo contínuoCria a aplicação de análise de dados do KinesisInicia a aplicação de análise de dados KinesisColoca mensagens no fluxoClassifica as avaliações de produtos com o Apache Kafka, o AWS Lambda e o Amazon SageMakerReduzir os custos e melhorar o desempenhoAgrega mensagensConsidera o Kinesis Firehose versus o Kinesis Data StreamsHabilita o Fan-Out aprimorado para fluxos de dados do KinesisResumo
12. Ciência de dados segura na AWS
Modelo de responsabilidade partilhada entre a AWS e os clientesAplicar o AWS Identity and Access ManagementUtilizadores IAMPolíticas de IAMFunções de utilizador IAMFunções de serviço IAMEspecificar chaves de condição para funções IAMAtivar a Autenticação MultifactorAcesso com privilégios mínimos com funções e políticas de IAMPolíticas de IAM baseadas em recursosPolíticas de IAM baseadas em identidadeIsola os ambientes de computação e de redeNuvem privada virtualPontos de extremidade VPC e PrivateLinkLimitar as APIs do Athena com uma política de ponto de extremidade VPCProteger o acesso aos dados do Amazon S3Requer um ponto de extremidade VPC com uma política de bucket S3Limitar APIs S3 para um bucket S3 com uma política de ponto de extremidade VPCRestringir o acesso ao S3 Bucket a uma VPC específica com uma política de S3 BucketLimitar APIs S3 com uma política de bucket S3Restringir o acesso aos dados S3 usando políticas de função IAMRestringir o acesso ao S3 Bucket a uma VPC específica com uma política de função IAMRestringir o acesso aos dados do S3 usando pontos de acesso do S3Encriptação em repousoCria uma chave AWS KMSCriptografa os volumes do Amazon EBS durante o treinamentoEncripta o modelo carregado no S3 após o treinoArmazena chaves de encriptação com o AWS KMSAplicar a criptografia S3 para objetos S3 carregadosAplica a criptografia em repouso para trabalhos do SageMakerAplica criptografia em repouso para notebooks SageMakerAplica a criptografia em repouso para o SageMaker StudioEncriptação em trânsitoEncriptação TLS Post-Quantum em trânsito com KMSCriptografa o tráfego entre os contêineres do cluster de treinamentoAplicar encriptação entre contentores para tarefas SageMakerProtegendo instâncias do SageMaker NotebookNegar acesso à raiz dentro dos notebooks SageMakerDesativar o acesso à Internet para os notebooks do SageMakerProtegendo o SageMaker StudioRequer uma VPC para o SageMaker StudioAutenticação do SageMaker StudioProtegendo trabalhos e modelos do SageMakerRequer uma VPC para trabalhos do SageMakerRequer isolamento de rede para trabalhos SageMakerProteger a formação de lagos da AWSProtegendo credenciais de banco de dados com o AWS Secrets ManagerGovernaçãoProtege ambientes AWS de várias contas com a AWS Control TowerGerir contas com organizações AWSAplicar permissões ao nível da conta com SCPsImplementa implementações de modelos de várias contasAuditabilidadeEtiqueta RecursosRegistar atividades e recolher eventosMonitoriza a atividade do utilizador e as chamadas APIReduzir os custos e melhorar o desempenhoLimitar os tipos de instância para controlar o custoColoca em quarentena ou elimina recursos não marcadosUtiliza as chaves KMS do S3 Bucket para reduzir os custos e aumentar o desempenhoResumo
Índice

Overview

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

Com este livro prático, os profissionais de IA e de aprendizagem automática aprenderão a criar e a implementar com êxito projectos de ciência de dados na Amazon Web Services. A pilha de IA e aprendizagem automática da Amazon unifica a ciência de dados, a engenharia de dados e o desenvolvimento de aplicações para ajudar a elevar o nível das tuas competências. Este guia mostra-te como construir e executar pipelines na Cloud, e depois integrar os resultados em aplicações em minutos em vez de dias. Ao longo do livro, os autores Chris Fregly e Antje Barth demonstram como reduzir custos e melhorar o desempenho.

Aplica a pilha de IA e ML da Amazon a casos de utilização do mundo real para processamento de linguagem natural, visão computacional, deteção de fraude, dispositivos de conversação e muito mais
Utiliza a aprendizagem automática para implementar um subconjunto específico de casos de utilização com o SageMaker Autopilot
Aprofunda o ciclo de vida completo de desenvolvimento de modelos para um caso de uso de PNL baseado em BERT, incluindo ingestão de dados, análise, treinamento de modelos e implantação
Junta tudo num pipeline de operações de aprendizagem automática repetível
Explora o ML em tempo real, a deteção de anomalias e a análise de streaming em fluxos de dados com o Amazon Kinesis e o Managed Streaming for Apache Kafka
Aprende as práticas recomendadas de segurança para projetos e fluxos de trabalho de ciência de dados, incluindo gerenciamento de identidade e acesso, autenticação, autorização e muito mais

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Engenharia de sistemas resilientes na AWS

Publisher Resources

ISBN: 9798341643079

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills