Początki Mlops z Mlflow: Wdrażanie modeli w Aws Sagemaker, Google Cloud i Microsoft Azure

Opinie czytelników

Książka służy jako podstawowe wprowadzenie do MLOps, choć ma kilka istotnych wad w wykonaniu i edycji.

Dobra treść wprowadzająca do MLOps; służy jako punkt wyjścia.

Słabe wykonanie z brakiem głębi, powtarzającą się treścią, złą edycją i nieodpowiednim składem.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Beginning Mlops with Mlflow: Deploy Models in Aws Sagemaker, Google Cloud, and Microsoft Azure

Zawartość książki:

Rozdział 1: Pierwsze kroki: Analiza danych i inżynieria cech Cel rozdziału: Ustalenie założeń problemu, który chcemy rozwiązać za pomocą uczenia maszynowego. Analiza kilku zestawów danych i ich przetwarzanie. Liczba stron - 30 stron Podtematy 1. Przesłanki 4. Analiza danych 5. Inżynieria cech Rozdział 2: Budowanie modelu uczenia maszynowego Cel rozdziału: Zbudowanie modelu uczenia maszynowego na zbiorze danych / kilku zbiorach danych, które przetworzyliśmy w rozdziale 4. Liczba stron - 40 stronPodtematy: 1. Budowanie modelu 2. Trenowanie i testowanie modelu 3. Walidacja i optymalizacja Rozdział 3: Czym jest MLOps? Cel rozdziału: Wprowadzenie czytelnika do MLOps, różnych etapów automatyzacji w konfiguracjach MLOps, automatyzacji z potokiem oraz do CI / CD i CD Deployment. Potoki dla: repozytorium źródłowego do wdrożenia, usług predykcji, monitorowania wydajności itp. Ciągła integracja (repozytorium źródłowe aktualizowane o nowe modele) i ciągłe dostarczanie (wdrażanie nowych modeli). Liczba stron - 40 stron Podtematy 1. Czym jest MLOps? 2. Konfiguracja MLOps 3. Automatyzacja 4. CI/CD - ciągła integracja i dostarczanie 5. CD - Wdrażanie Rozdział 4: Wprowadzenie do MLFlow Cel rozdziału: Wprowadzenie czytelnika do MLFlow i sposobu włączenia MLFlow do naszego procesu uczenia ML (PyTorch, Keras, TensorFlow) Liczba stron - 30 stron Podtematy: 1. Czym jest MLFlow? 2. MLFlow w PyTorch3. MLFlow w Keras4.

MLFlow w TensorFlow Rozdział 5: Wdrażanie w AWS - 40 stron Cel rozdziału: Przeprowadzenie czytelnika przez proces wdrażania konfiguracji MLOps w AWS SageMaker. -Opis: Rozdział przeprowadzi czytelnika przez AWS SageMaker i pomoże mu wdrożyć konfigurację MLOps (skrypty przetwarzania danych, trenowania modelu, testowania, walidacji) w AWS.

Rozdział 6: Wdrażanie na platformie Azure - 40 stron Cel rozdziału: Przeprowadzenie czytelnika przez proces wdrażania konfiguracji MLOps na platformie Microsoft Azure. -Opis: Rozdział ten przeprowadzi czytelnika przez Microsoft Azure i pomoże mu wdrożyć konfigurację MLOps (skrypty przetwarzania danych, trenowania modelu, testowania, walidacji) w Azure. Rozdział 7: Wdrażanie w Google - 40 stron Cel rozdziału: Przeprowadzenie czytelnika przez proces wdrażania konfiguracji MLOps w chmurze Google. -Opis: Rozdział przeprowadzi czytelnika przez Google Cloud i pomoże mu wdrożyć konfigurację MLOps (skrypty przetwarzania danych, trenowania modelu, testowania, walidacji) w Google Cloud. Dodatek A: a2ml - 20 stron Cel rozdziału: Ten rozdział dodatku jest opcjonalny i prowadzi użytkowników przez proces wdrażania konfiguracji MLOps przy użyciu a2ml. -Opis: Rozdział ten przeprowadzi czytelnika przez a2ml i pomoże mu wdrożyć konfigurację MLOps (skrypty przetwarzania danych, trenowania modelu, testowania, walidacji) za pośrednictwem a2ml.