Practical Mlops: Operacjonalizacja modeli uczenia maszynowego

Opinie czytelników

Książka oferuje kompleksową eksplorację inżynierii ML i MLOps, z praktycznymi wskazówkami i osobistymi historiami. Została jednak skrytykowana za jakość druku, organizację i niektóre powierzchowne treści.

⬤ Obejmuje zarówno teorię, jak i praktykę inżynierii ML i MLOps
⬤ zawiera praktyczne wskazówki i osobiste anegdoty
⬤ chwalona za instrukcje krok po kroku dotyczące wdrażania modeli w AWS
⬤ dostarcza solidnych informacji dla praktyków
⬤ zawiera szczegółowe informacje na temat głównych platform chmurowych.

⬤ Nie nadaje się dla początkujących
⬤ słaba jakość wersji drukowanej
⬤ zdezorganizowana struktura
⬤ brak głębi w niektórych obszarach
⬤ niektórzy użytkownicy uważali, że przypomina raczej zbiór postów na blogu niż spójną książkę
⬤ zawiera autopromocję autora.

(na podstawie 14 opinii czytelników)

Oryginalny tytuł:

Practical Mlops: Operationalizing Machine Learning Models

Zawartość książki:

Wprowadzanie modeli do produkcji jest podstawowym wyzwaniem uczenia maszynowego. MLOps oferuje zestaw sprawdzonych zasad mających na celu rozwiązanie tego problemu w niezawodny i zautomatyzowany sposób. Ten wnikliwy poradnik wyjaśnia, czym jest MLOps (i czym różni się od DevOps) oraz pokazuje, jak zastosować go w praktyce w celu operacjonalizacji modeli uczenia maszynowego.

Obecni i aspirujący inżynierowie uczenia maszynowego - lub każdy, kto jest zaznajomiony z nauką o danych i Pythonem - zbudują podstawy narzędzi i metod MLOps (wraz z AutoML oraz monitorowaniem i rejestrowaniem), a następnie dowiedzą się, jak wdrożyć je w AWS, Microsoft Azure i Google Cloud. Im szybciej dostarczysz działający system uczenia maszynowego, tym szybciej będziesz mógł skupić się na problemach biznesowych, które próbujesz rozwiązać. Ta książka daje ci przewagę.

Dowiesz się, jak

⬤ Zastosować najlepsze praktyki DevOps do uczenia maszynowego.

⬤ Budować i utrzymywać produkcyjne systemy uczenia maszynowego.

⬤ Monitorować, oprzyrządowywać, testować obciążenie i operacjonalizować systemy uczenia maszynowego.

⬤ Wybierać odpowiednie narzędzia MLOps dla danego zadania uczenia maszynowego.

⬤ Uruchamiania modeli uczenia maszynowego na różnych platformach i urządzeniach, w tym telefonach komórkowych i specjalistycznym sprzęcie.