Machine Learning Engineering with MLflow: A végponttól végpontig tartó gépi tanulási életciklus kezelése az MLflow segítségével

Olvasói vélemények

Összességében az MLflow-ról szóló könyv vegyes kritikákat kap. Sokan értékelik átfogó áttekintését és gyakorlati példáit, ami különösen hasznos a gépi tanulás életciklusait kezelni kívánó középhaladó és haladó gyakorlók számára. Ugyanakkor küszködik az írás minőségével, tartalmaz elgépeléseket, és néhány kódpéldával is gondok vannak. Bár értékes betekintést nyújt, néhány olvasónak nehézséget okozott a kód hibakeresése, és megjegyezte, hogy nem terjed ki a strukturálatlan adatokra.

⬤ Átfogó áttekintés az MLflow-ról és annak funkcióiról.
⬤ Gyakorlati példák és gyakorlati feladatok a Dockerrel.
⬤ Jól strukturált tartalom, amelyet az előismeretekkel rendelkezők is könnyen követhetnek.
⬤ Hasznos az ML életciklus és a legjobb gyakorlatok megértéséhez.
⬤ Jó középhaladó és haladó ML-gyakorlók számára.

⬤ Gyenge írásminőség és számos gépelési hiba.
⬤ Néhány kódpélda nem úgy működik, ahogyan azt tervezték, ami hibakeresési problémákhoz vezet.
⬤ Nem kezdőbarát; az ML és a kapcsolódó eszközök előzetes ismerete szükséges.
⬤ A strukturálatlan adatok felhasználási eseteinek korlátozott lefedettsége.
⬤ Aggályok a mellékelt GitHub tároló megbízhatóságával kapcsolatban.

(15 olvasói vélemény alapján)

Eredeti címe:

Machine Learning Engineering with MLflow: Manage the end-to-end machine learning life cycle with MLflow

Könyv tartalma:

Az MLflow segítségével a leghatékonyabb gépi tanulási mérnöki megközelítést használva pillanatok alatt beindulhat, és produktív lehet.

Főbb jellemzők:

⬤ Fedezze fel a gépi tanulás munkafolyamatokat az ML problémák tömör és világos megfogalmazásához az MLflow segítségével.

⬤ Használja az MLflow-t egy ML-modell iteratív fejlesztésére és kezelésére.

⬤ Fedezze fel és dolgozzon az MLflow-ban elérhető funkciókkal, hogy egy modellt zökkenőmentesen vigyen át a fejlesztési fázisból a termelési környezetbe.

Könyv leírása:

Az MLflow egy platform a gépi tanulás életciklusához, amely lehetővé teszi a gépi tanulási modellek strukturált fejlesztését és iterációját, valamint a skálázható termelési környezetbe való zökkenőmentes átmenetet.

Ez a könyv végigvezeti Önt az MLflow különböző funkcióin és azon, hogy hogyan tudja azokat az ML-projektjében megvalósítani. Egy ML-probléma megfogalmazásával kezd, majd az MLflow segítségével átalakítja a megoldást, kiegészítve azt egy workbench-környezettel, képzési infrastruktúrával, adatkezeléssel, modellkezeléssel, kísérletezéssel és a legkorszerűbb ML telepítési technikákkal a felhőben és helyiségekben. A könyv feltárja a munkafolyamat skálázásának technikáit, valamint a teljesítményfigyelési technikákat is. A könyv előrehaladtával felfedezi, hogyan hozhat létre egy operatív műszerfalat a gépi tanulási rendszerek kezeléséhez. Később felhasználási esetek segítségével megtudhatja, hogyan használhatja az MLflow-t az AutoML, az anomália-felismerés és a mélytanulás kontextusában. Mindezek mellett megérti, hogyan használhatja a gépi tanulási platformokat helyi fejlesztéshez, valamint felhő- és menedzselt környezetekhez. Ez a könyv azt is megmutatja, hogyan használhatja az MLflow-t nem python-alapú nyelveken, például az R és a Java nyelveken, valamint kitér az MLflow Pluginokkal történő bővítésének megközelítéseire is.

A gépi tanulásról szóló könyv végére képes lesz megbízható gépi tanulási algoritmusok előállítására és telepítésére az MLflow használatával többféle környezetben.

Amit tanulni fog:

⬤ Elkészítse gépi tanulási projektjét helyben az MLflow különböző funkcióival.

⬤ Hozzon létre egy központi MLflow követési szervert több MLflow-kísérlet kezeléséhez.

⬤ Egyéni modellek létrehozásával modell életciklus létrehozása az MLflow segítségével.

⬤ Használja a feature streameket a modellek eredményeinek naplózására az MLflow-val.

⬤ Teljes képzési csővezeték-infrastruktúra fejlesztése az MLflow funkcióinak felhasználásával.

⬤ Következtetésalapú API-csővezeték és kötegelt csővezeték beállítása az MLflow-ban.

⬤ Nagy adatmennyiségek skálázása az MLflow nagy teljesítményű big data könyvtárakkal való integrálásával.

Kinek szól ez a könyv:

Ez a könyv adattudósoknak, gépi tanulási mérnököknek és adatmérnököknek szól, akik gyakorlati gépi tanulási mérnöki tapasztalatokat szeretnének szerezni, és megtanulják, hogyan kezelhetnek egy végponttól végpontig tartó gépi tanulási életciklust az MLflow segítségével. A Python programozási nyelv középszintű ismerete elvárt.