Mastering Mlops Architecture: Od kodu do wdrożenia: Zarządzanie cyklem produkcyjnym ciągłego uczenia się modeli ML za pomocą Mlops

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Mastering Mlops Architecture: From Code to Deployment: Manage the Production Cycle of Continual Learning ML Models with Mlops

Zawartość książki:

Wykorzystaj moc MLOps do zarządzania cyklem projektu uczenia maszynowego w czasie rzeczywistym

Główne cechy

Kompleksowe omówienie koncepcji, architektury, narzędzi i technik MLOps.

Praktyczny nacisk na budowanie kompleksowych systemów ML do ciągłego uczenia się z MLOps.

Praktyczne spostrzeżenia na temat CI/CD, monitorowania, ciągłego szkolenia modeli i automatycznego przekwalifikowania.

Opis

MLOps, połączenie DevOps, inżynierii danych i uczenia maszynowego, ma kluczowe znaczenie dla dostarczania wysokiej jakości wyników uczenia maszynowego ze względu na dynamiczny charakter danych uczenia maszynowego. Niniejsza książka zagłębia się w MLOps, obejmując jego podstawowe koncepcje, komponenty i architekturę, pokazując, w jaki sposób MLOps sprzyja solidnym i stale ulepszanym systemom uczenia maszynowego.

Obejmując kompleksowy potok uczenia maszynowego od danych do wdrożenia, książka pomaga czytelnikom wdrożyć przepływy pracy MLOps. Omówiono w niej takie techniki jak inżynieria funkcji, rozwój modeli, testy A/B i wdrożenia kanarkowe. Książka wyposaża czytelników w wiedzę na temat narzędzi i infrastruktury MLOps do zadań takich jak śledzenie modeli, zarządzanie modelami, zarządzanie metadanymi i orkiestracja potoku. Szczegółowo omówiono procesy monitorowania i konserwacji w celu wykrywania degradacji modeli. Czytelnicy mogą zdobyć umiejętności budowania wydajnych potoków CI/CD, szybszego wdrażania modeli i uczynienia swoich systemów ML bardziej niezawodnymi, solidnymi i gotowymi do produkcji.

Ogólnie rzecz biorąc, książka jest niezbędnym przewodnikiem po MLOps i jego zastosowaniach do dostarczania wartości biznesowej poprzez ciągłe uczenie maszynowe i sztuczną inteligencję.

Czego się dowiesz

Architekt solidnej infrastruktury MLOps z komponentami takimi jak feature stores.

Wykorzystywać narzędzia MLOps, takie jak rejestry modeli, magazyny metadanych, potoki.

Tworzenie przepływów pracy CI/CD w celu szybszego i ciągłego wdrażania modeli.

Monitorowanie i utrzymywanie modeli w produkcji w celu wykrywania degradacji.

Tworzenie zautomatyzowanych przepływów pracy w celu przekwalifikowania i aktualizacji modeli w środowisku produkcyjnym.

Dla kogo przeznaczona jest ta książka

Specjaliści ds. uczenia maszynowego, naukowcy zajmujący się danymi, specjaliści DevOps, zespoły programistów i wszyscy ci, którzy chcą przyjąć podejście DevOps w swoich zwinnych eksperymentach i aplikacjach uczenia maszynowego. Pożądana jest wcześniejsza znajomość uczenia maszynowego i programowania w języku Python.

Spis treści

1. Pierwsze kroki z MLOps

2. Architektura i komponenty MLOps

3. Infrastruktura i narzędzia MLOps

4. Czym są systemy uczenia maszynowego?

5. Przygotowanie danych i tworzenie modeli

6. Wdrażanie i obsługa modeli

7. Ciągłe dostarczanie modeli uczenia maszynowego

8. Ciągłe uczenie się

9. Ciągłe monitorowanie, rejestrowanie i konserwacja