Mlops practic: Operaționalizarea modelelor de învățare automată

Recenzii ale cititorilor

Cartea oferă o explorare cuprinzătoare a ingineriei ML și MLOps, cu sfaturi practice și povești personale. Cu toate acestea, a primit critici pentru calitatea tipăririi, organizarea și unele conținuturi superficiale.

⬤ Acoperă atât teoria, cât și practica ingineriei ML și a MLOps
⬤ conține sfaturi practice și anecdote personale
⬤ lăudată pentru instrucțiunile sale pas cu pas privind implementarea modelelor pe AWS
⬤ oferă informații solide pentru practicieni
⬤ include detalii despre principalele platforme cloud.

⬤ Nu este potrivit pentru începători
⬤ calitate slabă a versiunii tipărite
⬤ structură dezorganizată
⬤ lipsă de profunzime în unele domenii
⬤ unii utilizatori au considerat că seamănă mai degrabă cu o colecție de articole de blog decât cu o carte coerentă
⬤ include autopromovare din partea autorului.

(pe baza a 14 recenzii ale cititorilor)

Titlul original:

Practical Mlops: Operationalizing Machine Learning Models

Conținutul cărții:

Punerea în producție a modelelor dvs. este provocarea fundamentală a învățării automate. MLOps oferă un set de principii dovedite menite să rezolve această problemă într-un mod fiabil și automatizat. Acest ghid perspicace vă prezintă ce este MLOps (și cum diferă de DevOps) și vă arată cum să îl puneți în practică pentru a operaționaliza modelele dvs. de învățare automată.

Inginerii actuali și aspiranții la machine learning - sau oricine este familiarizat cu știința datelor și Python - vor construi o bază în instrumentele și metodele MLOps (împreună cu AutoML și monitorizarea și logarea), apoi vor învăța cum să le implementeze în AWS, Microsoft Azure și Google Cloud. Cu cât livrați mai repede un sistem de învățare automată care funcționează, cu atât mai repede vă puteți concentra pe problemele de afaceri pe care încercați să le rezolvați. Această carte vă oferă un avantaj.

Veți descoperi cum să:

⬤ Aplicați cele mai bune practici DevOps la învățarea automată.

⬤ Construiți sisteme de învățare automată de producție și le mențineți.

⬤ Monitorizați, instrumentați, testați în sarcină și operaționalizați sistemele de învățare automată.

⬤ Elegerea instrumentelor MLOps corecte pentru o anumită sarcină de învățare automată.

⬤ Executarea modelelor de învățare automată pe o varietate de platforme și dispozitive, inclusiv telefoane mobile și hardware specializat.