Inżynieria uczenia maszynowego z Pythonem - wydanie drugie: Zarządzanie cyklem życia modeli uczenia maszynowego przy użyciu MLOps z praktycznymi przykładami

Opinie czytelników

Książka „Machine Learning Engineering with Python” to kompleksowy przewodnik dla praktyków, którzy chcą poprawić swoje umiejętności MLOps i zrozumieć cykl życia modeli uczenia maszynowego. Skutecznie łączy koncepcje teoretyczne z praktycznymi przykładami w różnych tematach, dzięki czemu jest odpowiednia dla czytelników na różnych poziomach wiedzy, choć zalecana jest pewna wiedza podstawowa.

Dobrze zorganizowana treść, kompleksowe omówienie koncepcji ML, praktyczne przykłady, odpowiednie dla różnych poziomów umiejętności, dobre wyjaśnienia, obejmuje nowoczesne narzędzia i technologie (takie jak LLM, AWS i Kubernetes) i koncentruje się na krytycznych praktykach MLOps. Łatwo przyswajalny i wciągający dla tych, którzy chcą zastosować ML w rzeczywistych warunkach.

Nie jest idealny dla zupełnie początkujących; konieczna jest wcześniejsza znajomość języka Python i podstawowych pojęć ML. Niektóre treści mogą się szybko zdezaktualizować ze względu na szybkie tempo rozwoju tej dziedziny. Brakuje dogłębnej eksploracji niektórych zaawansowanych tematów i można by zintegrować więcej praktycznych studiów przypadków, szczególnie w obszarach takich jak generatywna sztuczna inteligencja. Skupia się raczej na najlepszych praktykach inżynierii oprogramowania niż na dogłębnej teorii ML.

(na podstawie 25 opinii czytelników)

Oryginalny tytuł:

Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples

Zawartość książki:

Przekształć swoje projekty uczenia maszynowego w udane wdrożenia dzięki temu praktycznemu przewodnikowi, jak budować i skalować rozwiązania, które rozwiązują rzeczywiste problemy

Zawiera nowy rozdział na temat generatywnej sztucznej inteligencji i dużych modeli językowych (LLM) oraz budowania potoku, który wykorzystuje LLM przy użyciu LangChain.

Kluczowe cechy:

⬤ Ta druga edycja zagłębia się w kluczowe tematy uczenia maszynowego, CI/CD i projektowania systemów.

⬤ Poznaj podstawowe praktyki MLOps, takie jak zarządzanie modelami i monitorowanie wydajności.

⬤ Zbuduj kompleksowe przykłady wdrażalnych mikrousług ML i potoków przy użyciu AWS i narzędzi open source.

Opis książki:

Machine Learning Engineering with Python, 2nd Edition, to praktyczny przewodnik, którego inżynierowie MLOps i ML potrzebują do budowania solidnych rozwiązań w celu rozwiązywania rzeczywistych problemów, zapewniając umiejętności i wiedzę, których potrzebujesz, aby pozostać na czele w tej szybko rozwijającej się dziedzinie.

Książka przyjmuje praktyczne, skoncentrowane na przykładach podejście, zapewniając podstawowe koncepcje techniczne, wzorce implementacji i metodologie rozwoju. Przejdziesz od zrozumienia kluczowych etapów cyklu rozwoju uczenia maszynowego do budowania i wdrażania solidnych rozwiązań uczenia maszynowego. Po opanowaniu podstaw, zdobędziesz praktyczną wiedzę na temat architektur wdrażania i odkryjesz metody skalowania swoich rozwiązań.

Ta edycja zagłębia się w inżynierię ML i MLOps, z większym naciskiem na ML. Rozwiniesz CI/CD o ciągłe szkolenie i testowanie oraz dogłębnie przeanalizujesz dryf danych i koncepcji.

Dzięki nowemu rozdziałowi poświęconemu generatywnej sztucznej inteligencji poznasz Hugging Face, PyTorch i GitHub Copilot, a także skorzystasz z LLM za pośrednictwem API przy użyciu LangChain. Omówione zostaną również kwestie związane z głębokim uczeniem się dotyczące przepływu pracy, sprzętu i skalowania obciążeń, a także orkiestracji przepływów pracy za pomocą Airlfow i Kafka. Skorzystaj z ZenML jako opcji open-source do potokowania przepływów danych i rozwijaj wdrażanie za pomocą wdrożeń kanarkowych, niebieskich i zielonych.

Czego się nauczysz:

⬤ Planować i zarządzać etapami projektów rozwoju uczenia maszynowego.

⬤ Poznasz sieci ANN, DNN i LLM oraz poradzisz sobie z rozwojem generatywnej sztucznej inteligencji w MLOps.

⬤ Wykorzystanie Pythona do pakowania własnych narzędzi ML i skalowania rozwiązań za pomocą Apache Spark, Kubernetes i Apache Airflow.

⬤ Używaj AutoML do strojenia hiperparametrów.

⬤ Wykrywaj dryf i buduj solidne mechanizmy w swoich rozwiązaniach.

⬤ Doładuj obsługę błędów dzięki solidnym przepływom kontroli i skanowaniu luk w zabezpieczeniach.

⬤ Hostuj i buduj mikrousługę ML przy użyciu AWS i Flask.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla inżynierów MLOps i ML, analityków danych i programistów, którzy chcą budować solidne rozwiązania wykorzystujące uczenie maszynowe do rozwiązywania rzeczywistych problemów. Jeśli nie jesteś programistą, ale chcesz zarządzać lub zrozumieć cykl życia tych systemów, ta książka również okaże się przydatna. Zakłada ona podstawową znajomość koncepcji uczenia maszynowego i średniozaawansowane doświadczenie w programowaniu w Pythonie. Dzięki skupieniu się na praktycznych umiejętnościach i rzeczywistych przykładach, książka ta jest niezbędnym źródłem informacji dla każdego, kto chce rozwijać swoją karierę inżyniera uczenia maszynowego.