Gyakorlati Mlops: A gépi tanulási modellek operacionalizálása

Olvasói vélemények

A könyv az ML Engineering és az MLOps átfogó feltárását kínálja, gyakorlati tippekkel és személyes történetekkel. Kritikát kapott azonban a nyomtatás minősége, a szervezés és néhány felszínes tartalom miatt.

⬤ Az ML Engineering és az MLOps elméletét és gyakorlatát egyaránt tárgyalja
⬤ gyakorlati tippeket és személyes anekdotákat tartalmaz
⬤ dicsérik a modellek AWS-re való telepítésének lépésről lépésre történő útmutatásaiért
⬤ szilárd információkat nyújt a gyakorlati szakemberek számára
⬤ részletesen ismerteti a főbb felhőplatformokat.

⬤ Kezdőknek nem alkalmas
⬤ a nyomtatott változat rossz minőségű
⬤ rendezetlen szerkezet
⬤ egyes területeken nem elég mély
⬤ egyes felhasználók úgy érezték, hogy inkább hasonlít blogbejegyzések gyűjteményére, mint egy összefüggő könyvre
⬤ a szerző önreklámot is tartalmaz.

(14 olvasói vélemény alapján)

Eredeti címe:

Practical Mlops: Operationalizing Machine Learning Models

Könyv tartalma:

A gépi tanulás alapvető kihívása, hogy a modelleket a termelésbe juttassa. Az MLOps olyan bevált elveket kínál, amelyek célja ennek a problémának a megbízható és automatizált megoldása. Ez az éleslátó útmutató végigveszi, mi is az MLOps (és miben különbözik a DevOps-tól), és megmutatja, hogyan ültesse át a gyakorlatba a gépi tanulási modellek operacionalizálása érdekében.

A jelenlegi és a leendő gépi tanulási mérnökök - vagy bárki, aki ismeri az adattudományt és a Pythont - megalapozzák az MLOps eszközeit és módszereit (az AutoML, valamint a monitorozás és naplózás mellett), majd megtanulják, hogyan lehet ezeket az AWS, a Microsoft Azure és a Google Cloud rendszerében megvalósítani. Minél gyorsabban szállít egy működő gépi tanulási rendszert, annál gyorsabban koncentrálhat a megoldandó üzleti problémákra. Ez a könyv előnyt biztosít Önnek.

Megtudhatja, hogyan:

⬤ A DevOps legjobb gyakorlatok alkalmazása a gépi tanulásra.

⬤ Termelő gépi tanulási rendszereket építsen és tartsa fenn.

⬤ Monitorozza, instrumentálja, terheléses tesztelje és működőképessé tegye a gépi tanulási rendszereket.

⬤ A megfelelő MLOps eszközök kiválasztása egy adott gépi tanulási feladathoz.

⬤ Masinatanulási modellek futtatása különböző platformokon és eszközökön, beleértve a mobiltelefonokat és a speciális hardvereket is.