Mlops Engineering at Scale

Olvasói vélemények

A könyvet nagyra értékelik az MLOps és a mélytanulás megértésének átfogó megközelítése miatt, különösen azok számára, akiknek nehézséget okozhat a gyakorlati megvalósítás a felhőben. Hatékonyan vezeti végig az olvasókat egy teljes projekten, bővítve a PyTorch és az AWS-en történő elosztott képzéssel kapcsolatos ismereteiket.

Az MLOps és a mélytanulás fogalmainak mélyreható lefedettsége, gyakorlati projektvezetés, hasznos a felhőbe telepítéshez és a PyTorch használatához, növeli az automatikus megkülönböztetés megértését, hasznos az interjúk és a projektek számára.

Egyik sem szerepel kifejezetten az értékelésekben.

(2 olvasói vélemény alapján)

Könyv tartalma:

Kerülje ki a költséges és időigényes infrastrukturális feladatokat, és az MLOps és az előre elkészített szervermentes eszközök segítségével gyorsan állítsa termelésbe gépi tanulási modelljeit!

Az MLOps Engineering at Scale című könyvben megtanulhatod:

Adathalmazok kinyerése, átalakítása és betöltése.

Adathalmazok lekérdezése SQL segítségével

Az automatikus differenciálás megértése PyTorch-ban

Modellképzési pipeline-ok szolgáltatási végpontként történő telepítése

A csővezeték életciklusának felügyelete és kezelése

A teljesítményjavulás mérése

Az MLOps Engineering at Scale megmutatja, hogyan lehet a gépi tanulást hatékonyan termelésbe állítani az AWS és más felhőszolgáltatók előre elkészített szolgáltatásainak felhasználásával. Megtanulja, hogyan hozhat létre gyorsan rugalmas és skálázható gépi tanulási rendszereket anélkül, hogy időigényes üzemeltetési feladatokkal fáradozna, vagy a fizikai hardver költséges rezsiköltségeit vállalná. Egy valós felhasználási esetet követve, amely a taxidíjak kiszámítására vonatkozik, egy PyTorch modell MLOps csővezetékét fogja megtervezni az AWS szerver nélküli képességeinek felhasználásával.

A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.

A technológiáról

A termelésre kész gépi tanulási rendszer hatékony adatvezetékeket, integrált felügyeletet és az igények szerinti fel- és leépítéshez szükséges eszközöket tartalmaz. A felhőalapú szolgáltatások használata az ML-infrastruktúra megvalósításához csökkenti a fejlesztési időt és a tárhelyköltségeket. A szerver nélküli MLOps kiküszöböli az egyéni infrastruktúra kiépítésének és karbantartásának szükségességét, így Ön az adatokra, modellekre és algoritmusokra koncentrálhat.

A könyvről

Az MLOps Engineering at Scale megtanítja, hogyan valósíthat meg hatékony gépi tanulási rendszereket az AWS és más felhőszolgáltatók előre elkészített szolgáltatásainak felhasználásával. Ez a könnyen követhető könyv lépésről lépésre végigvezeti Önt a szervermentes ML-infrastruktúra felállításán, még akkor is, ha korábban még soha nem használt felhőplatformot. Olyan eszközöket is megismerhetsz, mint a PyTorch Lightning, az Optuna és az MLFlow, amelyek megkönnyítik a pipelinek létrehozását és a mélytanulási modellek termelésben történő skálázását.

Mi van benne

Csökkentse vagy szüntesse meg az ML infrastruktúra kezelését

Ismerje meg a legkorszerűbb MLOps eszközöket, mint a PyTorch Lightning és az MLFlow

Képzési pipelinek szolgáltatási végpontként történő telepítése

Monitorozza és kezelje a csővezeték életciklusát

A teljesítmény javulásának mérése

Az olvasóról

Az olvasóknak ismerniük kell a Python nyelvet, az SQL-t és a gépi tanulás alapjait. Nem szükséges felhőben szerzett tapasztalat.

A szerzőről

Carl Osipov 2000-ben valósította meg első neurális hálóját, majd a Google-nél és az IBM-nél dolgozott a mélytanulás és a gépi tanulás területén.

Tartalomjegyzék

1. RÉSZ - AZ ADATHALMAZ ELSAJÁTÍTÁSA

1 Bevezetés a szerver nélküli gépi tanulásba

2 Az adathalmazzal való ismerkedés

3 Az adathalmaz feltárása és előkészítése

4 További feltáró adatelemzés és adatelőkészítés

2. RÉSZ - PYTORCH A SZERVER NÉLKÜLI GÉPI TANULÁSHOZ

5 A PyTorch bemutatása: Tensor alapjai

6 A PyTorch magja: Autograd, optimalizátorok és segédprogramok

7 Szerver nélküli gépi tanulás méretarányosan

8 Kiszabályozás elosztott képzéssel

3. RÉSZ - SZERVER NÉLKÜLI GÉPI TANULÁS CSŐVEZETÉK

9 Jellemzők kiválasztása

10 A PyTorch Lightning alkalmazása

11 Hiperparaméter optimalizálás

12 Gépi tanulási csővezeték