Modele distribuite de învățare automată

Recenzii ale cititorilor

Cartea este foarte lăudată pentru abordarea sa practică a învățării MLOps și a arhitecturii sistemelor AI în producție. Ea oferă exerciții practice și cele mai bune practici, în special folosind TensorFlow, Kubernetes și Kubeflow. Mulți cititori au găsit deosebit de valoroase perspectivele privind formarea distribuită și modelele de servire a modelelor.

Exerciții practice, explicații excelente ale învățării distribuite a mașinilor, exemple practice și exerciții de codare, cloud agnostic, capitole perspicace privind arhitectura și fluxurile de lucru și un proiect complet de la un capăt la altul. Cartea este captivantă și bine scrisă, făcând subiectele complexe mai accesibile.

Cartea nu acoperă PyTorch, ceea ce poate limita aplicabilitatea sa pentru cei care doresc în mod special să învețe acest cadru. Unele capitole pot fi dificile pentru începătorii compleți fără cunoștințe prealabile despre fundamentele învățării automate și instrumentele de orchestrare a containerelor, cum ar fi Docker și Kubernetes.

(pe baza a 3 recenzii ale cititorilor)

Titlul original:

Distributed Machine Learning Patterns

Conținutul cărții:

Modele practice pentru scalarea învățării automate de la laptop la un cluster distribuit.

În Distributed Machine Learning Patterns veți învăța cum să:

Aplicați modele de sisteme distribuite pentru a construi proiecte de învățare automată scalabile și fiabile.

Construiți conducte de învățare automată cu ingestia datelor, instruirea distribuită, servirea modelelor și multe altele.

Automatizați sarcinile de învățare automată cu Kubernetes, TensorFlow, Kubeflow și Argo Workflows.

Faceți compromisuri între diferite modele și abordări.

Gestionați și monitorizați sarcinile de lucru de învățare automată la scară largă.

Distributed Machine Learning Patterns vă învață cum să scalați modelele de învățare automată de la laptop la clustere distribuite mari. În ea, veți învăța cum să aplicați modele de sisteme distribuite stabilite la proiectele de învățare automată și să explorați, de asemenea, noi modele specifice ML. Înrădăcinată ferm în lumea reală, această carte demonstrează cum să aplicați modele folosind exemple bazate pe TensorFlow, Kubernetes, Kubeflow și Argo Workflows. Scenariile din lumea reală, proiectele practice și tehnicile DevOps clare și practice vă permit să lansați, să gestionați și să monitorizați cu ușurință conductele distribuite de machine learning nativ în cloud.

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

Despre tehnologie

Scalarea modelelor de la dispozitive autonome la clustere distribuite mari este una dintre cele mai mari provocări cu care se confruntă practicienii moderni ai învățării automate. Distribuirea sistemelor de învățare automată permite dezvoltatorilor să gestioneze seturi de date extrem de mari în mai multe clustere, să profite de instrumentele de automatizare și să beneficieze de accelerările hardware. În această carte, co-președintele Kubeflow Yuan Tang împărtășește modele, tehnici și experiența acumulată în anii petrecuți construind și gestionând infrastructura de vârf de învățare automată distribuită.

Despre carte

Distributed Machine Learning Patterns este plină de modele practice pentru rularea sistemelor de învățare automată pe clustere Kubernetes distribuite în cloud. Fiecare model este conceput pentru a ajuta la rezolvarea provocărilor comune cu care vă confruntați atunci când construiți sisteme distribuite de învățare automată, inclusiv sprijinirea instruirii distribuite a modelelor, gestionarea eșecurilor neașteptate și traficul dinamic de servire a modelelor. Scenariile din lumea reală oferă exemple clare ale modului de aplicare a fiecărui model, alături de potențialele compromisuri pentru fiecare abordare. Odată ce stăpâniți aceste tehnici de ultimă oră, le veți pune pe toate în practică și veți termina prin construirea unui sistem complet de învățare automată distribuită.

Despre cititor

Pentru analiștii de date, cercetătorii de date și inginerii software care cunosc elementele de bază ale algoritmilor de învățare automată și ale rulării învățării automate în producție. Cititorii trebuie să fie familiarizați cu elementele de bază ale Bash, Python și Docker.

Despre autor

Yuan Tang este în prezent inginer fondator la Akuity. Anterior, a fost inginer software senior la Alibaba Group, construind infrastructură AI și platforme AutoML pe Kubernetes. Yuan este copreședinte al Kubeflow, responsabil de menținerea Argo, TensorFlow, XGBoost și Apache MXNet. Este coautor al TensorFlow in Practice și autor al implementării TensorFlow din Dive into Deep Learning.