Inginerie la scară Mlops

Recenzii ale cititorilor

Cartea este foarte lăudată pentru abordarea sa cuprinzătoare de a înțelege MLOps și învățarea profundă, în special pentru cei care se pot lupta cu implementarea practică în cloud. Ea ghidează în mod eficient cititorii printr-un proiect complet, sporindu-le cunoștințele despre PyTorch și formarea distribuită pe AWS.

Acoperirea aprofundată a conceptelor MLOps și deep learning, ghidarea practică a proiectului, utilă pentru implementarea în cloud și utilizarea PyTorch, îmbunătățește înțelegerea diferențierii automate, benefică pentru interviuri și proiecte.

Nici unul menționat explicit în recenzii.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Mlops Engineering at Scale

Conținutul cărții:

Evitați sarcinile de infrastructură costisitoare și consumatoare de timp și aduceți-vă rapid modelele de învățare automată în producție cu MLOps și instrumentele fără server pre-construite!

În MLOps Engineering at Scale veți învăța:

Extragerea, transformarea și încărcarea seturilor de date

Interogarea seturilor de date cu SQL

Înțelegerea diferențierii automate în PyTorch

Implementarea conductelor de formare a modelelor ca punct final de serviciu

Monitorizarea și gestionarea ciclului de viață al conductei dvs.

Măsurarea îmbunătățirii performanțelor

MLOps Engineering at Scale vă arată cum să puneți machine learning în producție în mod eficient prin utilizarea serviciilor pre-construite de la AWS și alți furnizori de cloud. Veți învăța cum să creați rapid sisteme flexibile și scalabile de învățare automată, fără să vă chinuiți cu sarcini operaționale consumatoare de timp sau să vă asumați cheltuielile costisitoare de hardware fizic. Urmărind un caz de utilizare din lumea reală pentru calcularea tarifelor de taxi, veți proiecta o conductă MLOps pentru un model PyTorch utilizând capacitățile AWS fără server.

Achiziționarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie

Un sistem de învățare automată pregătit pentru producție include conducte de date eficiente, monitorizare integrată și mijloace de extindere și reducere în funcție de cerere. Utilizarea serviciilor bazate pe cloud pentru implementarea infrastructurii ML reduce timpul de dezvoltare și reduce costurile de găzduire. MLOps fără server elimină necesitatea de a construi și menține infrastructura personalizată, astfel încât să vă puteți concentra asupra datelor, modelelor și algoritmilor.

Despre carte

MLOps Engineering at Scale vă învață cum să implementați sisteme eficiente de învățare automată utilizând servicii pre-construite de la AWS și alți furnizori de cloud. Această carte ușor de urmărit vă ghidează pas cu pas pe măsură ce vă configurați infrastructura ML fără server, chiar dacă nu ați mai utilizat niciodată o platformă cloud. De asemenea, veți explora instrumente precum PyTorch Lightning, Optuna și MLFlow, care facilitează construirea de conducte și scalarea modelelor de învățare profundă în producție.

Ce este în interior

Reduceți sau eliminați gestionarea infrastructurii ML

Învățați instrumente MLOps de ultimă generație precum PyTorch Lightning și MLFlow

Implementați conducte de instruire ca punct final de serviciu

Monitorizați și gestionați ciclul de viață al conductei dvs.

Măsurați îmbunătățirile de performanță

Despre cititor

Cititorii trebuie să cunoască Python, SQL și elementele de bază ale învățării automate. Nu este necesară experiența în cloud.

Despre autor

Carl Osipov a implementat prima sa rețea neuronală în 2000 și a lucrat în domeniul învățării profunde și al învățării automate la Google și IBM.

Tabla de conținut

PARTEA 1 - STĂPÂNIREA SETULUI DE DATE

1 Introducere în învățarea automată fără server

2 Începutul cu setul de date

3 Explorarea și pregătirea setului de date

4 Mai multă analiză exploratorie a datelor și pregătirea datelor

PARTEA 2 - PYTORCH PENTRU ÎNVĂȚAREA AUTOMATĂ FĂRĂ SERVER

5 Introducere în PyTorch: Bazele Tensor

6 Core PyTorch: Autograd, optimizatoare și utilități

7 Învățarea automată fără server la scară largă

8 Extinderea la scară cu instruire distribuită

PARTEA 3 - CONDUCTA DE ÎNVĂȚARE AUTOMATĂ FĂRĂ SERVER

9 Selectarea caracteristicilor

10 Adoptarea PyTorch Lightning

11 Optimizarea hiperparametrilor

12 Conducta de învățare automată