実践 AWS データサイエンス(ジッセンエーダブルエスデータサイエンス)

AWS を利用したデータ分析業務の改善、効率化、生産性向上のための情報を網羅!
AWS ではデータサイエンス分野で利用できるさまざまなサービスが提供されています。本書では、それらのサービスを有効に使って、データの収集、分析、モデルの訓練、テスト、デプロイまでの一連のプロセスを行う方法を紹介します。対象とする事例は、ヘルスケアデータ、時系列データ、自然言語処理、画像分類、不正検出、需要予測、レコメンデーションシステムなど非常に多岐に渡ります。本書の目的は、 AWS のサービスの詳細を説明するだけでなく、 AWS のサービスを組み合わせることで、データサイエンスとアプリケーション開発の統合を図り、開発の効率化を図ることなので、アプリケーション開発者や管理職にとっても役に立つ一冊です。

機械学習モデルをローカルの Jupyter Notebook で動かすことと、それを本番環境で安定運用することの間には大きな溝があります。本書は AWS のサービス群 (SageMaker 、 Athena 、 Glue 、 Step Functions など) を使い、データの取り込みから前処理・学習・デプロイ・モニタリングまでを一貫したパイプラインとして構築する方法を解説します。著者の Chris Fregly 氏は AWS の機械学習領域のプリンシパルアーキテクトで、クラウド上の ML ワークフローを実務視点で設計する知見が凝縮されています。

読者として想定されるのは、 Python と機械学習の基礎は押さえた上で、クラウド上での本番運用に踏み出したいデータサイエンティストや ML エンジニアです。モデルの精度改善そのものよりも、再現可能なパイプラインの構築・ A/B テストの組み込み・データドリフト検知といった運用面の設計に比重が置かれています。

AWS のサービスは頻繁にアップデートされるため、画面キャプチャや API の細部は変化しうるという前提で読む必要があります。ただし、本書が描く「データパイプライン全体をマネージドサービスで組み上げる」という設計思想とアーキテクチャパターンは、サービス名が変わっても応用可能な骨格です。クラウド ML 基盤を自分で設計・提案する立場にある人にとって、手を動かしながら全体像を掴むための実践書です。