Gépi tanulási mérnöki munka Pythonnal - Második kiadás: A gépi tanulási modellek életciklusának kezelése az MLOps segítségével gyakorlati példákkal

Olvasói vélemények

A „Machine Learning Engineering with Python” című könyv átfogó útmutató azoknak a szakembereknek, akik szeretnék fejleszteni MLOps-képességeiket és megérteni a gépi tanulási modellek életciklusát. A könyv hatékonyan ötvözi az elméleti fogalmakat a különböző témakörökben alkalmazott gyakorlati példákkal, így különböző szakértelemmel rendelkező olvasók számára is alkalmas, bár némi alapozó tudás ajánlott.

Jól strukturált tartalom, az ML fogalmak átfogó lefedése, gyakorlati példák, különböző készségszintek számára alkalmas, jó magyarázatok, modern eszközöket és technológiákat tartalmaz (például LLM, AWS és Kubernetes), és a kritikus MLOps-gyakorlatokra összpontosít. Könnyen emészthető és magával ragadó azok számára, akik az ML-t valós környezetben szeretnék alkalmazni.

Nem ideális teljesen kezdők számára; a Python és az ML alapfogalmainak előzetes ismerete szükséges. Egyes tartalmak gyorsan elavulhatnak a terület gyors tempója miatt. Hiányzik bizonyos haladó témák mélyreható feltárása, és több gyakorlati esettanulmányt is be lehetne építeni, különösen az olyan területeken, mint a generatív mesterséges intelligencia. A hangsúly inkább a szoftverfejlesztés legjobb gyakorlataira helyeződik, mintsem az elmélyült ML-elméletre.

(25 olvasói vélemény alapján)

Eredeti címe:

Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples

Könyv tartalma:

A gépi tanulási projektek sikeres bevezetéssé alakítása ezzel a gyakorlati útmutatóval, amely megmutatja, hogyan lehet valós problémákat megoldó megoldásokat létrehozni és méretezni

Új fejezetet tartalmaz a generatív mesterséges intelligenciáról és a nagyméretű nyelvi modellekről (LLM), valamint az LLM-eket a LangChain segítségével kihasználó csővezeték kiépítéséről

Főbb jellemzők:

⬤ Ez a második kiadás mélyebben elmélyül a kulcsfontosságú gépi tanulási témákban, a CI/CD-ben és a rendszertervezésben.

⬤ Tárja fel az alapvető MLOps-gyakorlatokat, például a modellkezelés és a teljesítményfigyelés.

⬤ Építsen végponttól végpontig tartó példákat telepíthető ML mikroszolgáltatásokra és pipelinekre az AWS és nyílt forráskódú eszközök használatával.

Könyv leírása:

A Machine Learning Engineering with Python, 2. kiadás az a gyakorlati útmutató, amelyre az MLOps és ML mérnököknek szükségük van ahhoz, hogy robusztus megoldásokat építsenek valós problémák megoldására, és amely biztosítja azokat a készségeket és ismereteket, amelyekre szükségük van ahhoz, hogy ezen a gyorsan fejlődő területen az élen maradjanak.

A könyv gyakorlatias, példákra összpontosító megközelítést alkalmaz, amely alapvető technikai fogalmakat, megvalósítási mintákat és fejlesztési módszereket nyújt. A gépi tanulás fejlesztési életciklusának legfontosabb lépéseitől a robusztus gépi tanulási megoldások létrehozásáig és telepítéséig juthat el. Miután elsajátította az alapokat, gyakorlatiasan megismerkedhet a telepítési architektúrákkal, és felfedezheti a megoldások skálázásának módszereit.

Ez a kiadás mélyebben elmélyül az ML-fejlesztésben és az MLOps-ban, élesebb fókusszal az ML-re. A CI/CD-t a folyamatos képzéssel és teszteléssel viszi tovább, és elmélyül az adatok és a koncepciók sodródásában.

Egy új generatív AI-fejezet segítségével felfedezheted az Hugging Face, a PyTorch és a GitHub Copilot programokat, és a LangChain segítségével API-n keresztül fogyaszthatsz LLM-et. Kitér a mélytanulással kapcsolatos megfontolásokra is a munkafolyamatokkal, a hardverrel és a munkaterhelések skálázásával kapcsolatban, valamint a munkafolyamatok összehangolására az Airlfow és a Kafka segítségével. És kihasználja a ZenML mint nyílt forráskódú lehetőség előnyeit az adatfolyamok pipeliningjéhez, és továbbviszi a telepítést a canary, blue és green telepítésekkel.

Amit megtanul:

⬤ A gépi tanulási fejlesztési projektek szakaszainak megtervezése és kezelése.

⬤ Felfedezze az ANN-eket, a DNN-eket és az LLM-eket, és megismerkedjen a generatív mesterséges intelligencia felemelkedésével a MLOps-ban.

⬤ Használja a Pythont saját ML-eszközei csomagolására és az Apache Spark, a Kubernetes és az Apache Airflow megoldások skálázására.

⬤ Az AutoML használata a hiperparaméterek hangolásához.

⬤ Észlelje fel a driftet, és építsen robusztus mechanizmusokat a megoldásaiba.

⬤ Töltse fel hibakezelését robusztus vezérlőfolyamatokkal és sebezhetőségi szkenneléssel.

⬤ Hostoljon és építsen ML mikroszolgáltatást az AWS és a Flask segítségével.

Kinek szól ez a könyv:

Ez a könyv olyan MLOps és ML mérnököknek, adattudósoknak és szoftverfejlesztőknek készült, akik robusztus megoldásokat szeretnének építeni, amelyek a gépi tanulást valós problémák megoldására használják. Ha nem fejlesztő vagy, de szeretnéd kezelni vagy megérteni ezeknek a rendszereknek a termékéletciklusát, akkor is hasznosnak fogod találni ezt a könyvet. A könyv a gépi tanulás fogalmainak alapszintű ismeretét és Pythonban szerzett középfokú programozási tapasztalatot feltételez. A gyakorlati készségekre és a valós példákra összpontosító könyv nélkülözhetetlen forrás mindazok számára, akik előbbre szeretnék vinni a gépi tanulással kapcsolatos mérnöki karrierjüket.