Ocena:
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.
Zalety:⬤ 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)
Effective Data Science Infrastructure: How to Make Data Scientists Productive
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.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)