Értékelés:
A könyvet nagyra értékelik a gyakorlati megközelítéséért, amely az MLOps és a mesterséges intelligencia rendszerarchitektúra termelésben történő elsajátításához nyújt gyakorlatias megközelítést. Gyakorlati gyakorlatokat és legjobb gyakorlatokat kínál, különösen a TensorFlow, a Kubernetes és a Kubeflow használatával. Sok olvasó különösen értékesnek találta az elosztott képzésre és a modellkiszolgálási mintákra vonatkozó meglátásokat.
Előnyök:Gyakorlati gyakorlatok, kiváló magyarázatok az elosztott gépi tanulásról, gyakorlati példák és kódolási gyakorlatok, felhő-agnosztikus, az architektúráról és a munkafolyamatokról szóló éleslátó fejezetek, valamint egy átfogó végponttól végpontig tartó projekt. A könyv magával ragadó és jól megírt, az összetett témákat közérthetőbbé teszi.
Hátrányok:A könyv nem foglalkozik a PyTorch-csal, ami korlátozhatja alkalmazhatóságát azok számára, akik kifejezetten ezt a keretrendszert szeretnék megtanulni. Egyes fejezetek kihívást jelenthetnek a teljesen kezdők számára a gépi tanulás alapjainak és a konténer-orchestrációs eszközök, például a Docker és a Kubernetes előzetes ismerete nélkül.
(3 olvasói vélemény alapján)
Distributed Machine Learning Patterns
Gyakorlati minták a gépi tanulás skálázásához a laptopról egy elosztott fürtre.
Az Elosztott gépi tanulás mintái című könyvben megtanulhatja, hogyan:
Alkalmazza az elosztott rendszerek mintáit skálázható és megbízható gépi tanulási projektek létrehozásához.
Konstruáljon gépi tanulási csővezetékeket adatbevitellel, elosztott képzéssel, modellkiszolgálással és így tovább.
Automatizálja a gépi tanulási feladatokat a Kubernetes, a TensorFlow, a Kubeflow és az Argo munkafolyamatok segítségével.
Készítsen kompromisszumokat a különböző minták és megközelítések között.
Kezelje és felügyelje a gépi tanulási munkaterhelést méretarányosan.
Az Elosztott gépi tanulási minták megtanítja, hogyan skálázza a gépi tanulási modelleket a laptopjáról nagy elosztott fürtökre. A könyvben megtanulja, hogyan alkalmazza a bevált elosztott rendszerek mintáit gépi tanulási projektekre, és új ML-specifikus mintákat is felfedezhet. A könyv szilárdan a való világban gyökerezik, és a TensorFlow, Kubernetes, Kubeflow és Argo munkafolyamatokon alapuló példákon keresztül mutatja be a minták alkalmazását. A valós forgatókönyvek, a gyakorlati projektek és az egyértelmű, gyakorlatias DevOps-technikák segítségével könnyedén elindíthatja, kezelheti és felügyelheti a felhő-natív elosztott gépi tanulási csővezetékeket.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról
A modellek önálló eszközökről nagy elosztott fürtökre történő skálázása az egyik legnagyobb kihívás, amellyel a modern gépi tanulással foglalkozó szakemberek szembesülnek. Az elosztott gépi tanulási rendszerek lehetővé teszik a fejlesztők számára, hogy rendkívül nagy adathalmazokat kezeljenek több fürtön keresztül, kihasználják az automatizálási eszközök előnyeit, és részesüljenek a hardveres gyorsítások előnyeiből. Ebben a könyvben a Kubeflow társelnöke Yuan Tang megosztja a legmodernebb elosztott gépi tanulási infrastruktúra kiépítésével és kezelésével töltött évek során szerzett mintákat, technikákat és tapasztalatokat.
A könyvről
Az Elosztott gépi tanulási minták tele van gyakorlati mintákkal a gépi tanulási rendszerek felhőben, elosztott Kubernetes fürtökön történő futtatásához. Mindegyik mintát úgy tervezték, hogy segítsen megoldani az elosztott gépi tanulási rendszerek építése során felmerülő gyakori kihívásokat, beleértve az elosztott modellképzés támogatását, a váratlan hibák kezelését és a dinamikus modellkiszolgáló forgalmat. A valós forgatókönyvek egyértelmű példákat mutatnak az egyes minták alkalmazására, az egyes megközelítések lehetséges kompromisszumai mellett. Miután elsajátította ezeket az élvonalbeli technikákat, mindegyiket a gyakorlatba ülteti, és végül egy átfogó elosztott gépi tanulási rendszer megépítésével fejezi be.
Az olvasóról
Adatelemzőknek, adattudósoknak és szoftvermérnököknek, akik ismerik a gépi tanulási algoritmusok alapjait és a gépi tanulás termelésben történő futtatását. Az olvasóknak ismerniük kell a Bash, a Python és a Docker alapjait.
A szerzőről
Yuan Tang jelenleg az Akuity alapító mérnöke. Korábban vezető szoftvermérnök volt az Alibaba Groupnál, ahol AI infrastruktúrát és AutoML platformokat épített Kubernetesre. Yuan a Kubeflow társelnöke, az Argo, a TensorFlow, az XGBoost és az Apache MXNet karbantartója. A TensorFlow in Practice című könyv társszerzője és a Dive into Deep Learning című könyv TensorFlow implementációjának szerzője.