Kubeflow for Machine Learning: A laboratóriumtól a gyártásig

Olvasói vélemények

A könyv átfogó bevezetést nyújt a Kubeflow és annak ökoszisztémájába a gépi tanulás és a felhő-natív fejlesztés kontextusában. Nagyra értékeljük szervezett felépítése, értékes tartalma és gyakorlati példái miatt, így megfelelő forrás a Kubeflow-val újonnan ismerkedők számára. Néhány felhasználó azonban úgy érezte, hogy egyes részei zavarosak lehetnek, és megjegyezte az elavult tartalommal és a nyomtatás minőségével kapcsolatos problémákat.

⬤ Átfogó áttekintés a Kubeflowról
⬤ jól szervezett és strukturált
⬤ jó példák a gyakorlati használathoz
⬤ kezdőknek és már gyakorlattal rendelkezőknek egyaránt értékes
⬤ segít a telepítési pipelinek megértésében
⬤ elfogadható árképzés.

⬤ A fejezetek közötti hangvétel nem következetes
⬤ egyes tartalmak elavultak
⬤ fekete-fehér képek/kódok a nyomtatott változatban
⬤ egyes olvasók szerint inkább dokumentációnak, mint könyvnek olvasható
⬤ nem ajánlott abszolút kezdőknek a Kubernetes vagy a gépi tanulás eszközeinek előzetes ismerete nélkül.

(9 olvasói vélemény alapján)

Eredeti címe:

Kubeflow for Machine Learning: From Lab to Production

Könyv tartalma:

Ha éppen egy gépi tanulási modellt képez, de nem tudja, hogyan helyezze azt üzembe, ez a könyv segít Önnek ebben. A Kubeflow felhőalapú eszközök gyűjteményét kínálja egy modell életciklusának különböző szakaszaihoz, az adatfeltárástól, a jellemzők előkészítésén és a modellképzésen át a modell kiszolgálásáig. Ez az útmutató segít az adattudósoknak abban, hogy a Kubeflow segítségével termelési szintű gépi tanulási implementációkat építsenek, és megmutatja az adatmérnököknek, hogyan tehetik a modelleket skálázhatóvá és megbízhatóvá.

A szerzők, Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu és Boris Lublinsky a könyvben szereplő példák segítségével elmagyarázzák, hogyan használhatja a Kubeflowt a gépi tanulási modellek képzésére és kiszolgálására a Kubernetes tetején a felhőben vagy helyben lévő fejlesztői környezetben.

⬤ Megtanulja a Kubeflow felépítését, alapvető komponenseit és az általa megoldott problémákat.

⬤ Tudja meg a Kubeflow különböző fürttípusokon való működésének különbségeit.

⬤ Modellek képzése a Kubeflow segítségével népszerű eszközökkel, köztük a Scikit-learn, a TensorFlow és az Apache Spark segítségével.

⬤ Tartsd naprakészen a modelljeidet a Kubeflow Pipelines segítségével.

⬤ Tudja meg, hogyan rögzítse a modellképzés metaadatait.

⬤ Tárja fel, hogyan bővítheti a Kubeflowt további nyílt forráskódú eszközökkel.

⬤ Hyperparaméterhangolás használata a képzéshez.

⬤ Tanulja meg, hogyan szolgálhatja ki modelljét a termelésben.