Ocena:
Ogólnie rzecz biorąc, książka o MLflow otrzymuje mieszane recenzje. Wiele osób docenia jej kompleksowy przegląd i praktyczne przykłady, dzięki czemu jest ona szczególnie przydatna dla średnio zaawansowanych i zaawansowanych praktyków, którzy chcą zarządzać cyklami życia uczenia maszynowego. Książka ma jednak problemy z jakością tekstu, zawiera literówki i ma problemy z niektórymi przykładami kodu. Chociaż oferuje cenne spostrzeżenia, niektórzy czytelnicy mieli trudności z debugowaniem kodu i zauważyli brak pokrycia dla nieustrukturyzowanych danych.
Zalety:⬤ Kompleksowy przegląd MLflow i jego funkcjonalności.
⬤ Praktyczne przykłady i ćwiczenia praktyczne z Dockerem.
⬤ Dobrze zorganizowana treść, która jest łatwa do naśladowania dla osób z wcześniejszą wiedzą.
⬤ Przydatne do zrozumienia cyklu życia ML i najlepszych praktyk.
⬤ Dobra dla średnio zaawansowanych i zaawansowanych praktyków ML.
⬤ Słaba jakość tekstu i obecność literówek.
⬤ Niektóre przykłady kodu nie działają zgodnie z przeznaczeniem, co prowadzi do problemów z debugowaniem.
⬤ Nie jest przyjazna dla początkujących; wymaga wcześniejszej znajomości ML i powiązanych narzędzi.
⬤ Ograniczone pokrycie przypadków użycia nieustrukturyzowanych danych.
⬤ Obawy o niezawodność towarzyszącego repozytorium GitHub.
(na podstawie 15 opinii czytelników)
Machine Learning Engineering with MLflow: Manage the end-to-end machine learning life cycle with MLflow
Rozpocznij pracę i zwiększ produktywność w mgnieniu oka dzięki MLflow przy użyciu najbardziej efektywnego podejścia do inżynierii uczenia maszynowego
Kluczowe cechy:
⬤ Poznaj przepływy pracy uczenia maszynowego do określania problemów ML w zwięzły i przejrzysty sposób za pomocą MLflow.
⬤ Wykorzystanie MLflow do iteracyjnego rozwijania modelu ML i zarządzania nim.
⬤ Odkryj i pracuj z funkcjami dostępnymi w MLflow, aby płynnie przenieść model z fazy rozwoju do środowiska produkcyjnego.
Opis książki:
MLflow to platforma dla cyklu życia uczenia maszynowego, która umożliwia ustrukturyzowany rozwój i iterację modeli uczenia maszynowego oraz płynne przejście do skalowalnych środowisk produkcyjnych.
Ta książka poprowadzi Cię przez różne funkcje MLflow i sposób, w jaki możesz je wdrożyć w swoim projekcie ML. Rozpoczniesz od sformułowania problemu ML, a następnie przekształcisz swoje rozwiązanie za pomocą MLflow, dodając środowisko workbench, infrastrukturę szkoleniową, zarządzanie danymi, zarządzanie modelami, eksperymenty i najnowocześniejsze techniki wdrażania ML w chmurze i pomieszczeniach. W książce omówiono również techniki skalowania przepływu pracy, a także techniki monitorowania wydajności. W miarę postępów odkryjesz, jak utworzyć operacyjny pulpit nawigacyjny do zarządzania systemami uczenia maszynowego. Później dowiesz się, jak korzystać z MLflow w kontekście AutoML, wykrywania anomalii i głębokiego uczenia się za pomocą przypadków użycia. Ponadto dowiesz się, jak korzystać z platform uczenia maszynowego do rozwoju lokalnego, a także w chmurze i środowiskach zarządzanych. Ta książka pokaże ci również, jak używać MLflow w językach innych niż Python, takich jak R i Java, a także omówi podejścia do rozszerzania MLflow za pomocą wtyczek.
Pod koniec tej książki o uczeniu maszynowym będziesz w stanie tworzyć i wdrażać niezawodne algorytmy uczenia maszynowego przy użyciu MLflow w wielu środowiskach.
Czego się nauczysz:
⬤ Rozwijaj swój projekt uczenia maszynowego lokalnie dzięki różnym funkcjom MLflow.
⬤ Skonfigurować scentralizowany serwer MLflow do zarządzania wieloma eksperymentami MLflow.
⬤ Tworzenie cyklu życia modelu za pomocą MLflow poprzez tworzenie niestandardowych modeli.
⬤ Wykorzystanie strumieni funkcji do rejestrowania wyników modeli za pomocą MLflow.
⬤ Opracowanie kompletnej infrastruktury potoku szkoleniowego przy użyciu funkcji MLflow.
⬤ Skonfigurowanie potoku API opartego na wnioskowaniu i potoku wsadowego w MLflow.
⬤ Skalowanie dużych ilości danych poprzez integrację MLflow z wysokowydajnymi bibliotekami Big Data.
Dla kogo jest ta książka:
Ta książka jest przeznaczona dla naukowców zajmujących się danymi, inżynierów uczenia maszynowego i inżynierów danych, którzy chcą zdobyć praktyczne doświadczenie w inżynierii uczenia maszynowego i dowiedzieć się, jak mogą zarządzać kompleksowym cyklem życia uczenia maszynowego za pomocą MLflow. Oczekiwana jest znajomość języka programowania Python na poziomie średnio zaawansowanym.