Ocena:
Książka jest chwalona za praktyczne podejście do MLOps, zapewniając praktyczne wdrożenie i przykłady z życia wzięte, w szczególności przy użyciu usług Azure. Obejmuje ona podstawowe koncepcje i służy jako dobre wprowadzenie zarówno dla początkujących, jak i doświadczonych inżynierów. Została jednak skrytykowana za literówki, przestarzałą treść i poleganie na Azure, co może ograniczać jej zastosowanie dla osób korzystających z innych platform chmurowych.
Zalety:⬤ Praktyczne przykłady i praktyczna implementacja
⬤ jasny i prosty język
⬤ kompleksowy przegląd MLOps
⬤ korzystny zarówno dla doświadczonych inżynierów, jak i profesjonalistów biznesowych
⬤ wysoki poziom pokrycia różnych technik MLOps
⬤ dobra równowaga teorii i praktyki
⬤ wysoce zalecane dla początkujących.
⬤ niedokładna korekta z kilkoma literówkami
⬤ przykłady mogą stać się nieaktualne wraz z aktualizacjami Azure
⬤ niektóre treści wydają się czarną skrzynką ze względu na dużą zależność od Azure
⬤ brakuje głębokiego teoretycznego wglądu w analizę wydajności modelu
⬤ problemy z rozbieżnościami kodu między książką a repozytorium.
(na podstawie 15 opinii czytelników)
Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale
Rozpocznij pracę z zarządzaniem cyklem życia uczenia maszynowego i wdrażaj MLOps w swojej organizacji
Kluczowe cechy:
⬤ Zapoznaj się z technikami MLOps, aby monitorować jakość modeli uczenia maszynowego w produkcji.
⬤ Zapoznanie się z ramami monitorowania modeli ML w produkcji i poznanie kompleksowej identyfikowalności wdrożonych modeli.
⬤ Wykonaj CI/CD, aby zautomatyzować nowe implementacje w potokach ML.
Opis książki:
MLOps to systematyczne podejście do budowania, wdrażania i monitorowania rozwiązań uczenia maszynowego (ML). Jest to dyscyplina inżynieryjna, która może być stosowana w różnych branżach i przypadkach użycia. Ta książka przedstawia kompleksowe spojrzenie na MLOps w połączeniu z rzeczywistymi przykładami, które pomogą ci pisać programy, trenować solidne i skalowalne modele ML oraz budować potoki ML w celu bezpiecznego trenowania i wdrażania modeli w produkcji.
Książka rozpoczyna się od zapoznania się z przepływem pracy MLOps, dzięki czemu można rozpocząć pisanie programów do trenowania modeli ML. Następnie przejdziesz do zbadania opcji serializacji i pakowania modeli ML po treningu, aby wdrożyć je w celu ułatwienia wnioskowania uczenia maszynowego, interoperacyjności modeli i kompleksowej identyfikowalności modeli. Zrozumiesz, jak tworzyć potoki ML, potoki ciągłej integracji i ciągłego dostarczania (CI/CD) oraz potoki monitorowania, aby systematycznie budować, wdrażać, monitorować i zarządzać rozwiązaniami ML dla firm i branż. Na koniec zastosujesz zdobytą wiedzę do tworzenia rzeczywistych projektów.
Pod koniec tej książki ML będziesz miał 360-stopniowy wgląd w MLOps i będziesz gotowy do wdrożenia MLOps w swojej organizacji.
Czego się nauczysz:
⬤ Formułować strategie zarządzania danymi i potoki dla szkoleń i wdrożeń ML.
⬤ Zapoznać się z wdrażaniem potoków ML, potoków CI/CD i potoków monitorowania ML.
⬤ Zaprojektować solidną i skalowalną mikrousługę i API dla środowisk testowych i produkcyjnych.
⬤ Dostosowanie niestandardowych procesów CD do powiązanych przypadków użycia i organizacji.
⬤ Monitorowanie modeli ML, w tym monitorowanie dryfu danych, dryfu modeli i wydajności aplikacji.
⬤ Budować i utrzymywać zautomatyzowane systemy ML.
Dla kogo jest ta książka:
Ta książka MLOps jest przeznaczona dla naukowców zajmujących się danymi, inżynierów oprogramowania, inżynierów DevOps, inżynierów uczenia maszynowego oraz liderów biznesowych i technologicznych, którzy chcą budować, wdrażać i utrzymywać systemy ML w produkcji przy użyciu zasad i technik MLOps. Podstawowa wiedza na temat uczenia maszynowego jest niezbędna do rozpoczęcia pracy z tą książką.