Gépi tanulási csővezetékek építése: Modell életciklusok automatizálása Tensorflow-val

Olvasói vélemények

A könyvet fontos forrásnak tekintik a gyakorló szakemberek és kutatók számára, akik a TensorFlow Extended (TFX) és az Apache Beam segítségével szeretnének gépi tanulási pipelineseket tanulni és építeni. Világos bevezetést, értékes betekintést és gyakorlatias megközelítést nyújt. Példái azonban elavultak lehetnek, egyes kódok nehezen reprodukálhatók, és az általános értékével kapcsolatban vegyes vélemények vannak.

⬤ Alapvető erőforrás a TFX-gyakorlók és ML-mérnökök számára.
⬤ Világos, tömör és jól strukturált magyarázatok.
⬤ Átfogó lefedettség a gépi tanulási csővezeték fejlesztésével és automatizálásával kapcsolatban.
⬤ Nagyon kevés forrás áll rendelkezésre a TFX-hez, ami különösen értékessé teszi ezt a könyvet.
⬤ Elég lebilincselő ahhoz, hogy gyorsan végigolvassuk.

⬤ A példák a TFX régebbi verzióján alapulhatnak.
⬤ Néhány kódminta nem reprodukálható átdolgozás nélkül.
⬤ Egyes vélemények szerint a tartalom sovány, és nem éri meg az árát.
⬤ A teljes megértéshez szilárd gépi tanulási háttérre lehet szükség.

(9 olvasói vélemény alapján)

Eredeti címe:

Building Machine Learning Pipelines: Automating Model Life Cycles with Tensorflow

Könyv tartalma:

A vállalatok milliárdokat költenek gépi tanulási projektekre, de ez kidobott pénz, ha a modelleket nem lehet hatékonyan alkalmazni. Ebben a gyakorlati útmutatóban Hannes Hapke és Catherine Nelson végigvezet a TensorFlow ökoszisztémát használó gépi tanulási csővezeték automatizálásának lépésein. Megtanulhatja azokat a technikákat és eszközöket, amelyekkel a telepítési időt napokról percekre csökkentheti, így az örökölt rendszerek karbantartása helyett az új modellek fejlesztésére összpontosíthat.

Az adattudósok, a gépi tanulási mérnökök és a DevOps mérnökök megtudják, hogyan léphetnek túl a modellfejlesztésen, hogy sikeresen produktivizálják adattudományi projektjeiket, míg a vezetők jobban megértik, milyen szerepet játszanak e projektek felgyorsításában.

⬤ Megtanulja a gépi tanulási csővezeték kiépítésének lépéseit.

⬤ Építse meg csővezetékét a TensorFlow Extended összetevőinek felhasználásával.

⬤ Orchestrálja gépi tanulási csővezetékét az Apache Beam, az Apache Airflow és a Kubeflow Pipelines segítségével.

⬤ Munkálkodjon adatokkal a TensorFlow Data Validation és a TensorFlow Transform használatával.

⬤ Egy modell részletes elemzése a TensorFlow Model Analysis használatával.

⬤ Vizsgálja meg a modell teljesítményének igazságosságát és torzítását.

⬤ Telepítse a modelleket a TensorFlow Serving vagy a TensorFlow Lite mobileszközökhöz.

⬤ Tanulja meg az adatvédelmet megőrző gépi tanulási technikákat.