Skuteczna infrastruktura nauki o danych: Jak zwiększyć produktywność analityków danych

Opinie czytelników

Książka stanowi kompleksowy przewodnik po wdrażaniu operacji uczenia maszynowego (MLOps) przy użyciu Metaflow, łącząc teoretyczne spostrzeżenia z praktycznymi, praktycznymi przykładami ukierunkowanymi na budowanie skalowalnych przepływów pracy w nauce o danych.

⬤ Praktyczne przykłady i projekty, które skutecznie uczą infrastruktury MLOps przy użyciu Metaflow.
⬤ Przejrzyste objaśnienia pojęć, dzięki czemu książka jest przystępna nawet dla osób bez doświadczenia w MLOps.
⬤ Dobra równowaga między teorią a praktyką, z naciskiem na praktyczne zastosowania i rzeczywiste przypadki użycia.
⬤ Humorystyczne elementy i wciągająca grafika poprawiają wrażenia z lektury.
⬤ Dostarcza cennych informacji wykraczających poza oficjalną dokumentację Metaflow.

⬤ Książka koncentruje się głównie na Metaflow, co może ograniczać jej przydatność dla tych, którzy szukają szerszego spojrzenia na MLOps bez korzystania z Metaflow.
⬤ Niektórzy czytelnicy mogą potrzebować dodatkowych zasobów poza książką do skonfigurowania infrastruktury Metaflow, ponieważ niektóre konfiguracje są omówione tylko w dokumentacji zewnętrznej.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Effective Data Science Infrastructure: How to Make Data Scientists Productive

Zawartość książki:

Uprość infrastrukturę nauki o danych, aby zapewnić naukowcom zajmującym się danymi wydajną ścieżkę od prototypu do produkcji.

W Effective Data Science Infrastructure dowiesz się, jak:

Projektować infrastrukturę Data Science, która zwiększa produktywność.

Obsługiwać obliczenia i orkiestrację w chmurze.

Wdrażać uczenie maszynowe do produkcji.

Monitorować i zarządzać wydajnością i wynikami.

Łączyć narzędzia oparte na chmurze w spójne środowisko nauki o danych.

Rozwijaj powtarzalne projekty data science przy użyciu Metaflow, Conda i Docker.

Tworzenie złożonych aplikacji dla wielu zespołów i dużych zbiorów danych.

Dostosuj i rozwijaj infrastrukturę nauki o danych.

Efektywna infrastruktura nauki o danych: Jak zwiększyć produktywność naukowców zajmujących się danymi to praktyczny przewodnik po tworzeniu infrastruktury dla aplikacji do nauki o danych i uczenia maszynowego. Ujawnia on procesy stosowane w Netflix i innych firmach opartych na danych do zarządzania ich najnowocześniejszą infrastrukturą danych. Dzięki niemu opanujesz skalowalne techniki przechowywania danych, obliczeń, śledzenia eksperymentów i orkiestracji, które są odpowiednie dla firm o różnych kształtach i rozmiarach. Dowiesz się, w jaki sposób możesz zwiększyć produktywność analityków danych dzięki istniejącej infrastrukturze chmury, stosowi oprogramowania open source i idiomatycznemu Pythonowi.

Autor przekazuje wpływy z tej książki organizacjom charytatywnym wspierającym kobiety i niedostatecznie reprezentowane grupy w nauce o danych.

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

O technologii.

Rozwijanie projektów data science od prototypu do produkcji wymaga niezawodnej infrastruktury. Korzystając z potężnych nowych technik i narzędzi opisanych w tej książce, możesz stworzyć stos infrastruktury, który będzie skalowalny z każdą organizacją, od startupów po największe przedsiębiorstwa.

O książce.

Effective Data Science Infrastructure uczy budowania potoków danych i przepływów pracy w projektach, które doładują naukowców zajmujących się danymi i ich projekty. Opierając się na najnowocześniejszych narzędziach i koncepcjach, które napędzają operacje na danych w Netflix, książka ta wprowadza konfigurowalne, oparte na chmurze podejście do tworzenia modeli i MLOps, które można łatwo dostosować do konkretnych potrzeb firmy. Wdrażając te praktyczne procesy, zespoły będą osiągać lepsze i szybsze wyniki podczas stosowania nauki o danych i uczenia maszynowego w szerokim zakresie problemów biznesowych.

Co jest w środku.

Obsługa obliczeń i orkiestracji w chmurze.

Łączenie narzędzi opartych na chmurze w spójne środowisko nauki o danych.

Rozwijaj powtarzalne projekty nauki o danych przy użyciu Metaflow, AWS i ekosystemu danych Python.

Architekturę złożonych aplikacji wymagających dużych zbiorów danych i modeli oraz zespołu naukowców zajmujących się danymi.

O czytelniku.

Dla inżynierów infrastruktury i naukowców zajmujących się inżynierią danych, którzy znają język Python.

O autorze.

W Netflix Ville Tuulos zaprojektował i zbudował Metaflow, kompleksowy framework do nauki o danych. Obecnie jest dyrektorem generalnym startupu skupiającego się na infrastrukturze nauki o danych.

Spis treści.

1 Wprowadzenie do infrastruktury nauki o danych.

2 Łańcuch narzędzi nauki o danych.

3 Wprowadzenie do Metaflow.

4 Skalowanie za pomocą warstwy obliczeniowej.

5 Ćwiczenie skalowalności i wydajności.

6 Przejście do produkcji.

7 Przetwarzanie danych.

8 Używanie i obsługa modeli.

9 Uczenie maszynowe z pełnym stosem.