Ocena:
Książka jest wysoko ceniona za kompleksowe podejście do zrozumienia MLOps i głębokiego uczenia, szczególnie dla tych, którzy mogą mieć trudności z praktyczną implementacją w chmurze. Skutecznie prowadzi czytelników przez kompletny projekt, poszerzając ich wiedzę na temat PyTorch i rozproszonych szkoleń w AWS.
Zalety:Dogłębne omówienie koncepcji MLOps i głębokiego uczenia, praktyczne wskazówki dotyczące projektów, pomocne przy wdrażaniu w chmurze i korzystaniu z PyTorch, poprawia zrozumienie automatycznego różnicowania, korzystne przy rozmowach kwalifikacyjnych i projektach.
Wady:Żadna nie została wyraźnie wymieniona w recenzjach.
(na podstawie 2 opinii czytelników)
Unikaj kosztownych i czasochłonnych zadań infrastrukturalnych i szybko wprowadzaj modele uczenia maszynowego do produkcji dzięki MLOps i gotowym narzędziom bezserwerowym!
W MLOps Engineering at Scale nauczysz się:
Wyodrębnianie, przekształcanie i ładowanie zbiorów danych
Zapytania do zbiorów danych za pomocą SQL
Zrozumienie automatycznego różnicowania w PyTorch
Wdrażanie potoków szkolenia modeli jako punkt końcowy usługi
Monitorowanie i zarządzanie cyklem życia potoku
Mierzenie poprawy wydajności
MLOps Engineering at Scale pokazuje, jak efektywnie wdrożyć uczenie maszynowe do produkcji, korzystając z gotowych usług AWS i innych dostawców usług w chmurze. Dowiesz się, jak szybko tworzyć elastyczne i skalowalne systemy uczenia maszynowego bez konieczności wykonywania czasochłonnych zadań operacyjnych lub ponoszenia kosztownych kosztów związanych z fizycznym sprzętem. Podążając za rzeczywistym przypadkiem użycia do obliczania opłat za przejazd taksówką, opracujesz potok MLOps dla modelu PyTorch przy użyciu możliwości AWS bez serwera.
Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.
O technologii
Gotowy do produkcji system uczenia maszynowego obejmuje wydajne potoki danych, zintegrowane monitorowanie oraz środki do skalowania w górę i w dół w zależności od zapotrzebowania. Korzystanie z usług opartych na chmurze w celu wdrożenia infrastruktury ML skraca czas programowania i obniża koszty hostingu. Bezserwerowe MLOps eliminuje potrzebę budowania i utrzymywania niestandardowej infrastruktury, dzięki czemu można skoncentrować się na danych, modelach i algorytmach.
O książce
MLOps Engineering at Scale uczy, jak wdrażać wydajne systemy uczenia maszynowego przy użyciu gotowych usług AWS i innych dostawców usług w chmurze. Ta łatwa do zrozumienia książka poprowadzi Cię krok po kroku podczas konfigurowania bezserwerowej infrastruktury ML, nawet jeśli nigdy wcześniej nie korzystałeś z platformy chmurowej. Poznasz również narzędzia takie jak PyTorch Lightning, Optuna i MLFlow, które ułatwiają tworzenie potoków i skalowanie modeli głębokiego uczenia w środowisku produkcyjnym.
Co jest w środku
Ogranicz lub wyeliminuj zarządzanie infrastrukturą ML
Poznaj najnowocześniejsze narzędzia MLOps, takie jak PyTorch Lightning i MLFlow
Wdrażanie potoków szkoleniowych jako punkt końcowy usługi
Monitorowanie cyklu życia potoku i zarządzanie nim
Mierzenie poprawy wydajności
O czytelniku
Czytelnicy muszą znać Python, SQL i podstawy uczenia maszynowego. Doświadczenie w chmurze nie jest wymagane.
O autorze
Carl Osipov wdrożył swoją pierwszą sieć neuronową w 2000 roku i pracował nad głębokim uczeniem się i uczeniem maszynowym w Google i IBM.
Spis treści
CZĘŚĆ 1 - OPANOWANIE ZESTAWU DANYCH
1 Wprowadzenie do bezserwerowego uczenia maszynowego
2 Rozpoczęcie pracy z zestawem danych
3 Eksploracja i przygotowanie zestawu danych
4 Bardziej eksploracyjna analiza danych i przygotowanie danych
CZĘŚĆ 2 - PYTORCH DLA BEZSERWEROWEGO UCZENIA MASZYNOWEGO
5 Wprowadzenie do PyTorch: Podstawy tensorów
6 Podstawowy PyTorch: Autograd, optymalizatory i narzędzia
7 Bezserwerowe uczenie maszynowe na dużą skalę
8 Skalowanie z rozproszonym szkoleniem
CZĘŚĆ 3 - BEZSERWEROWY POTOK UCZENIA MASZYNOWEGO
9 Wybór funkcji
10 Przyjęcie PyTorch Lightning
11 Optymalizacja hiperparametrów
12 Potok uczenia maszynowego