Hodnotenie:
Kniha je považovaná za dôležitý zdroj informácií pre odborníkov z praxe a výskumníkov, ktorí sa chcú naučiť a vytvárať pipeline strojového učenia pomocou TensorFlow Extended (TFX) a Apache Beam. Poskytuje zrozumiteľný úvod, cenné poznatky a praktický prístup. Jej príklady však môžu byť zastarané, niektoré kódy sa ťažko reprodukujú a z jej celkovej hodnoty sú zmiešané pocity.
Výhody:⬤ Nevyhnutný zdroj informácií pre praktikov TFX a ML inžinierov.
⬤ Jasné, stručné a dobre štruktúrované vysvetlenia.
⬤ Komplexné pokrytie vývoja a automatizácie potrubia strojového učenia.
⬤ Veľmi málo dostupných zdrojov pre TFX, vďaka čomu je táto kniha mimoriadne cenná.
⬤ Dostatočne pútavé na rýchle prečítanie.
⬤ Príklady môžu byť založené na staršej verzii TFX.
⬤ Niektoré ukážky kódu nie je možné reprodukovať bez revízie.
⬤ Niektoré recenzie naznačujú, že obsah je chudobný a nestojí za cenu.
⬤ Na úplné pochopenie môže byť potrebná solídna znalosť strojového učenia.
(na základe 9 čitateľských recenzií)
Building Machine Learning Pipelines: Automating Model Life Cycles with Tensorflow
Spoločnosti vynakladajú miliardy na projekty strojového učenia, ale ak sa modely nedajú efektívne nasadiť, sú to zbytočne vynaložené peniaze. V tejto praktickej príručke vás Hannes Hapke a Catherine Nelson prevedú jednotlivými krokmi automatizácie potrubia strojového učenia pomocou ekosystému TensorFlow. Naučíte sa techniky a nástroje, ktoré skrátia čas nasadenia z dní na minúty, aby ste sa mohli sústrediť na vývoj nových modelov namiesto údržby starších systémov.
Dátoví vedci, inžinieri strojového učenia a inžinieri DevOps zistia, ako ísť nad rámec vývoja modelov a úspešne produktovať svoje projekty dátovej vedy, zatiaľ čo manažéri lepšie pochopia úlohu, ktorú zohrávajú pri pomoci urýchliť tieto projekty.
⬤ Poznáte kroky na vybudovanie pipeline strojového učenia.
⬤ Vybudujte si potrubie pomocou komponentov z TensorFlow Extended.
⬤ Vyskúšajte svoje potrubie strojového učenia pomocou Apache Beam, Apache Airflow a Kubeflow Pipelines.
⬤ Pracujte s údajmi pomocou TensorFlow Data Validation a TensorFlow Transform.
⬤ Podrobná analýza modelu pomocou TensorFlow Model Analysis.
⬤ Preskúmajte spravodlivosť a skreslenie výkonu vášho modelu.
⬤ Umiestnite modely pomocou TensorFlow Serving alebo TensorFlow Lite pre mobilné zariadenia.
⬤ Učte sa techniky strojového učenia zachovávajúce súkromie.