Rozproszone wzorce uczenia maszynowego

Opinie czytelników

Książka jest wysoko ceniona za praktyczne podejście do nauki MLOps i architektury systemów AI w produkcji. Zawiera praktyczne ćwiczenia i najlepsze praktyki, w szczególności z wykorzystaniem TensorFlow, Kubernetes i Kubeflow. Wielu czytelników uznało za szczególnie cenne spostrzeżenia na temat rozproszonego szkolenia i wzorców serwowania modeli.

Praktyczne ćwiczenia, doskonałe wyjaśnienia dotyczące rozproszonego uczenia maszynowego, praktyczne przykłady i ćwiczenia kodowania, niezależność od chmury, wnikliwe rozdziały dotyczące architektury i przepływów pracy oraz kompleksowy, kompleksowy projekt. Książka jest wciągająca i dobrze napisana, dzięki czemu złożone tematy stają się bardziej przystępne.

Książka nie obejmuje PyTorch, co może ograniczać jej przydatność dla osób, które chcą nauczyć się tego frameworka. Niektóre rozdziały mogą stanowić wyzwanie dla zupełnie początkujących bez wcześniejszej wiedzy na temat podstaw uczenia maszynowego i narzędzi do orkiestracji kontenerów, takich jak Docker i Kubernetes.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Distributed Machine Learning Patterns

Zawartość książki:

Praktyczne wzorce skalowania uczenia maszynowego z laptopa do rozproszonego klastra.

Z książki Distributed Machine Learning Patterns dowiesz się jak:

Stosować wzorce systemów rozproszonych do tworzenia skalowalnych i niezawodnych projektów uczenia maszynowego.

Konstruować potoki uczenia maszynowego z pozyskiwaniem danych, rozproszonym szkoleniem, obsługą modeli i nie tylko.

Automatyzować zadania uczenia maszynowego za pomocą Kubernetes, TensorFlow, Kubeflow i Argo Workflows.

Dokonuj kompromisów między różnymi wzorcami i podejściami.

Zarządzanie i monitorowanie obciążeń uczenia maszynowego na dużą skalę.

Distributed Machine Learning Patterns uczy, jak skalować modele uczenia maszynowego z laptopa do dużych rozproszonych klastrów. Dowiesz się z niej, jak zastosować uznane wzorce systemów rozproszonych w projektach uczenia maszynowego, a także poznasz nowe wzorce specyficzne dla ML. Mocno zakorzeniona w świecie rzeczywistym, książka ta pokazuje, jak stosować wzorce na przykładach opartych na TensorFlow, Kubernetes, Kubeflow i Argo Workflows. Rzeczywiste scenariusze, praktyczne projekty i jasne, praktyczne techniki DevOps pozwalają łatwo uruchamiać, zarządzać i monitorować natywne dla chmury rozproszone potoki uczenia maszynowego.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.

O technologii

Skalowanie modeli z samodzielnych urządzeń do dużych rozproszonych klastrów jest jednym z największych wyzwań stojących przed współczesnymi praktykami uczenia maszynowego. Rozproszone systemy uczenia maszynowego pozwalają programistom obsługiwać niezwykle duże zbiory danych w wielu klastrach, korzystać z narzędzi automatyzacji i czerpać korzyści z akceleracji sprzętowej. W tej książce współprzewodniczący Kubeflow Yuan Tang dzieli się wzorcami, technikami i doświadczeniem zdobytym przez lata spędzone na budowaniu i zarządzaniu najnowocześniejszą rozproszoną infrastrukturą uczenia maszynowego.

O książce

Distributed Machine Learning Patterns zawiera praktyczne wzorce do uruchamiania systemów uczenia maszynowego na rozproszonych klastrach Kubernetes w chmurze. Każdy wzorzec został zaprojektowany tak, aby pomóc w rozwiązaniu typowych wyzwań napotykanych podczas budowania rozproszonych systemów uczenia maszynowego, w tym wspierania rozproszonego szkolenia modeli, obsługi nieoczekiwanych awarii i dynamicznego ruchu serwowania modeli. Rzeczywiste scenariusze dostarczają jasnych przykładów zastosowania każdego wzorca, wraz z potencjalnymi kompromisami dla każdego podejścia. Po opanowaniu tych najnowocześniejszych technik, zastosujesz je wszystkie w praktyce i zakończysz, budując kompleksowy rozproszony system uczenia maszynowego.

O czytelniku

Dla analityków danych, analityków danych i inżynierów oprogramowania, którzy znają podstawy algorytmów uczenia maszynowego i uruchamiania uczenia maszynowego w produkcji. Czytelnicy powinni znać podstawy języków Bash, Python i Docker.

O autorze

Yuan Tang jest obecnie inżynierem-założycielem w Akuity. Wcześniej był starszym inżynierem oprogramowania w Alibaba Group, budując infrastrukturę AI i platformy AutoML na Kubernetes. Yuan jest współprzewodniczącym Kubeflow, opiekunem Argo, TensorFlow, XGBoost i Apache MXNet. Jest współautorem TensorFlow in Practice i autorem implementacji TensorFlow w Dive into Deep Learning.