Începutul Mlops cu Mlflow: Implementați modele în Aws Sagemaker, Google Cloud și Microsoft Azure

Recenzii ale cititorilor

Cartea servește ca o introducere de bază pentru MLOps, deși are câteva dezavantaje semnificative în execuție și editare.

Bun conținut introductiv pentru MLOps; servește ca punct de plecare.

Execuție slabă, cu lipsă de profunzime, conținut repetitiv, editare proastă și tipărire inadecvată.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Beginning Mlops with Mlflow: Deploy Models in Aws Sagemaker, Google Cloud, and Microsoft Azure

Conținutul cărții:

Capitolul 1: Noțiuni introductive: Analiza datelor și ingineria caracteristicilor Scopul capitolului: Stabilirea premiselor problemei pe care dorim să o rezolvăm cu ajutorul învățării automate. Analizați mai multe seturi de date și procesați-le. Nr. de pagini - 30 pagini Sub - Subiecte 1. 1. Premisa 4. Analiza datelor Analiza datelor 5. Feature engineering Capitolul 2: Construirea unui model de învățare automată Scopul capitolului: Construiți un model de învățare automată pe un set de date / mai multe seturi de date pentru care am prelucrat datele în capitolul 4. Nr. de pagini - 40 paginiSub - Sub - Subiecte: 1. Construirea modelului 2. Instruirea și testarea modelului 3. Validarea și optimizarea Capitolul 3: Ce este MLOps? Scopul capitolului: Introducerea cititorului în MLOps, diferitele etape de automatizare în configurațiile MLOps, automatizarea cu conducte și în CI/CD și CD Deployment. Pipeline-uri pentru: de la repo-ul sursă la implementare, servicii de predicție, monitorizarea performanței etc. Integrare continuă (repo-ul sursă actualizat cu noi modele) și Livrare continuă (noi modele implementate). Nr. de pagini - 40 de pagini Sub -teme 1. Ce este MLOps? 2. Configurarea MLOps 3. Automatizare 4. CI/CD - Integrare și livrare continuă 5. CD - Deployment Capitolul 4: Introducere în MlFlowObiectivul capitolului: Prezintă cititorului MLFlow și modul de încorporare a MLFlow în procesul nostru de formare ML (PyTorch, Keras, TensorFlow) Număr de pagini - 30 de pagini Sub - subiecte: 1. Ce este MLFlow? 2. MLFlow în PyTorch3. MLFlow în Keras4.

MLFlow în TensorFlow Capitolul 5: Implementarea în AWS - 40 pagini Scopul capitolului: Ghidarea cititorului prin procesul de implementare a unei configurații MLOps pe AWS SageMaker. -Descriere: Capitolul va ghida cititorul prin AWS SageMaker și îl va ajuta să își implementeze configurația MLOps (scripturi de prelucrare a datelor, scripturi de formare, testare și validare a modelului) în AWS.

Capitolul 6: Implementarea în Azure - 40 pagini Scopul capitolului: Ghidează cititorul prin procesul de implementare a unei configurații MLOps pe Microsoft Azure. -Descriere: Capitolul va ghida cititorul prin Microsoft Azure și îl va ajuta să își implementeze configurația MLOps (scripturi de prelucrare a datelor, scripturi de formare, testare și validare a modelului) în Azure. Capitolul 7: Implementarea în Google - 40 pagini Scopul capitolului: Ghidarea cititorului prin procesul de implementare a unei configurații MLOps în Google Cloud. -Descriere: Capitolul va ghida cititorul prin Google Cloud și îl va ajuta să își implementeze configurația MLOps (scripturi de procesare a datelor, scripturi de formare a modelului, testare, validare) în Google Cloud. Apendicele A: a2ml - 20 pagini Scopul capitolului: Acest capitol al apendicelui este opțional și ghidează utilizatorii prin procesul de implementare a unei configurații MLOps utilizând a2ml. -Descriere: Capitolul va ghida cititorul prin a2ml și îl va ajuta să își implementeze configurația MLOps (scripturi de procesare a datelor, scripturi de formare a modelului, testare, validare) prin a2ml.