Folyamatos gépi tanulás a Kubeflowval: Megbízható Mlops végrehajtása a Tfx, a Sagemaker és a Kubernetes képességeivel

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 4 olvasói szavazat alapján történt.

Eredeti címe:

Continuous Machine Learning with Kubeflow: Performing Reliable Mlops with Capabilities of Tfx, Sagemaker and Kubernetes

Könyv tartalma:

Egy tanulságos utazás az MLOps, a DevOps és a gépi tanulás valós környezetébe.

FŐBB JELLEMZŐK

⬤  A Kubernetes komponenseinek átfogó ismerete és koncepciómagyarázata példákkal.

⬤  Egy mindenre kiterjedő tudásalapú útmutató az ML-pipelinek Docker és Kubernetes használatával történő képzéséhez és telepítéséhez.

⬤  Számos MLOps-projektet tartalmaz, amely hozzáférést biztosít a bevált keretrendszerekhez és a mélytanulási koncepciók használatához.

DESCRIPTION

A 'Continuous Machine Learning with Kubeflow' bevezet a modern gépi tanulási infrastruktúrába, amely magában foglalja a Kubernetest és a Kubeflow architektúrát. Ez a könyv elmagyarázza a különböző AI/ML felhasználási esetek telepítésének alapjait a TensorFlow képzésével és kiszolgálásával a Kubernetes segítségével, valamint azt, hogy a Kubernetes hogyan segíthet a konkrét projekteknél az elejétől a végéig.

Ez a könyv segít bemutatni, hogyan használhatók a Kubeflow komponensek, hogyan telepíthetők a GCP-ben, és hogyan szolgálhatók ki a termelésben valós idejű adatelőrejelzéssel. A Kubeflow KFserving segítségével megnézzük a kiszolgálási technikákat, számítógépes látás alapú felhasználói felületet építünk streamlitben, majd telepítjük a Google felhőplatformjaira, a Kubernetesre és a Herokura. Ezután azt is megvizsgáljuk, hogyan lehet Explainable AI-t építeni a méltányosság és az elfogultság meghatározására egy What-if eszközzel. Különböző felhasználási esetekkel alátámasztva megtanuljuk, hogyan lehet a gépi tanulást termelésbe állítani, beleértve a képzést és a kiszolgálást.

MIT FOGSZ TANULNI

⬤  Megismerkedsz a Kubernetes architektúrájával és orchestrálásával.

⬤  Megtanulja a konténerizálást és a telepítést a semmiből a Docker és a Google Cloud Platform segítségével.

⬤  Gyakorolja, hogyan fejlesztheti a Kubeflow Orchestrator csővezetéket egy TensorFlow modellhez.

⬤  AWS SageMaker csővezetékek létrehozása, egészen a gyakorlástól a termelésben történő telepítésig.

⬤  TensorFlow Extended (TFX) csővezeték építése egy NLP alkalmazáshoz a Tensorboard és a TFMA használatával.

KINEK SZÓL EZ A KÖNYV

Ez a könyv az MLOps, DevOps, gépi tanulási mérnökök és adattudósok számára készült, akik folyamatosan szeretnék a gépi tanulási pipeline-okat telepíteni és méretarányosan kezelni a Kubernetes segítségével. Az olvasóknak erős háttérrel kell rendelkezniük a gépi tanulásban, és bizonyos Kubernetes-ismeret szükséges.