Kubeflow dla uczenia maszynowego: Od laboratorium do produkcji

Opinie czytelników

Książka stanowi kompleksowe wprowadzenie do Kubeflow i jego ekosystemu w kontekście uczenia maszynowego i rozwoju natywnego dla chmury. Została doceniona za uporządkowaną strukturę, wartościową treść i praktyczne przykłady, dzięki czemu jest odpowiednim źródłem informacji dla osób rozpoczynających pracę z Kubeflow. Niektórzy użytkownicy uważali jednak, że może ona być częściowo myląca i zauważyli problemy z nieaktualną treścią i jakością druku.

⬤ Kompleksowy przegląd Kubeflow
⬤ dobrze zorganizowany i ustrukturyzowany
⬤ dobre przykłady do praktycznego wykorzystania
⬤ cenny zarówno dla początkujących, jak i tych z pewnym doświadczeniem
⬤ pomaga w zrozumieniu potoków wdrażania
⬤ rozsądna cena.

⬤ Niespójny ton między rozdziałami
⬤ niektóre treści są przestarzałe
⬤ czarno-białe obrazy/kod w wersji drukowanej
⬤ niektórzy czytelnicy stwierdzili, że czyta się ją bardziej jak dokumentację niż książkę
⬤ nie jest zalecana dla absolutnie początkujących bez wcześniejszej wiedzy na temat Kubernetes lub narzędzi uczenia maszynowego.

(na podstawie 9 opinii czytelników)

Oryginalny tytuł:

Kubeflow for Machine Learning: From Lab to Production

Zawartość książki:

Jeśli trenujesz model uczenia maszynowego, ale nie wiesz, jak wdrożyć go do produkcji, ta książka pomoże Ci to osiągnąć. Kubeflow zapewnia zbiór natywnych narzędzi w chmurze dla różnych etapów cyklu życia modelu, od eksploracji danych, przygotowania funkcji i szkolenia modeli po ich obsługę. Ten przewodnik pomaga analitykom danych budować implementacje uczenia maszynowego klasy produkcyjnej za pomocą Kubeflow i pokazuje inżynierom danych, jak sprawić, by modele były skalowalne i niezawodne.

Korzystając z przykładów w całej książce, autorzy Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu i Boris Lublinsky wyjaśniają, jak używać Kubeflow do trenowania i obsługi modeli uczenia maszynowego na Kubernetes w chmurze lub w środowisku programistycznym na miejscu.

⬤ Zrozumienie konstrukcji Kubeflow, jego podstawowych komponentów i problemów, które rozwiązuje.

⬤ Zrozumienie różnic pomiędzy Kubeflow na różnych typach klastrów.

⬤ Trenować modele przy użyciu Kubeflow z popularnymi narzędziami, takimi jak Scikit-learn, TensorFlow i Apache Spark.

⬤ Aktualizuj swój model za pomocą Kubeflow Pipelines.

⬤ Zrozumieć, jak przechwytywać metadane treningu modelu.

⬤ Dowiedz się, jak rozszerzyć Kubeflow o dodatkowe narzędzia open source.

⬤ Wykorzystanie strojenia hiperparametrów do uczenia.

⬤ Dowiedz się, jak obsługiwać swój model w środowisku produkcyjnym.