Distribuované vzory strojového učenia

Recenzie čitateľov

Kniha je vysoko oceňovaná pre svoj praktický prístup k učeniu sa architektúry systémov MLOps a AI vo výrobe. Poskytuje praktické cvičenia a osvedčené postupy, najmä s využitím TensorFlow, Kubernetes a Kubeflow. Mnohí čitatelia považovali za obzvlášť cenné poznatky o distribuovanom tréningu a vzoroch obsluhy modelov.

Praktické cvičenia, vynikajúce vysvetlenia distribuovaného strojového učenia, praktické príklady a cvičenia na kódovanie, cloudová agnostika, zasvätené kapitoly o architektúre a pracovných postupoch a komplexný ucelený projekt. Kniha je pútavá a dobre napísaná, vďaka čomu sú zložité témy prístupnejšie.

Kniha sa nezaoberá PyTorchom, čo môže obmedziť jej použiteľnosť pre tých, ktorí sa chcú naučiť práve tento framework. Niektoré kapitoly môžu byť náročné pre úplných začiatočníkov bez predchádzajúcich znalostí základov strojového učenia a nástrojov na orchestráciu kontajnerov, ako sú Docker a Kubernetes.

(na základe 3 čitateľských recenzií)

Pôvodný názov:

Distributed Machine Learning Patterns

Obsah knihy:

Praktické vzory na škálovanie strojového učenia z vášho notebooku na distribuovaný klaster.

V knihe Distribuované vzory strojového učenia sa dozviete, ako:

Aplikovať vzory distribuovaných systémov na budovanie škálovateľných a spoľahlivých projektov strojového učenia.

Konštruovať pipeline strojového učenia s prijímaním dát, distribuovaným tréningom, obsluhou modelov a ďalšími.

Automatizovať úlohy strojového učenia pomocou Kubernetes, TensorFlow, Kubeflow a Argo Workflows.

Robiť kompromisy medzi rôznymi modelmi a prístupmi.

Spravujte a monitorujte pracovné záťaže strojového učenia vo veľkom meradle.

Distribuované vzory strojového učenia vás naučia, ako škálovať modely strojového učenia z vášho notebooku na veľké distribuované klastre. Naučíte sa v ňom, ako aplikovať zavedené vzory distribuovaných systémov na projekty strojového učenia, a preskúmate aj nové vzory špecifické pre ML. Táto kniha, pevne zakorenená v reálnom svete, ukazuje, ako aplikovať vzory na príkladoch založených na TensorFlow, Kubernetes, Kubeflow a Argo Workflows. Scenáre z reálneho sveta, praktické projekty a jasné, praktické techniky DevOps vám umožnia ľahko spustiť, spravovať a monitorovať distribuované pipeline strojového učenia v cloude.

Pri kúpe tlačenej knihy získate zadarmo elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii

Škálovanie modelov zo samostatných zariadení na veľké distribuované klastre je jednou z najväčších výziev, ktorým čelia moderní odborníci na strojové učenie. Distribuované systémy strojového učenia umožňujú vývojárom spracovávať extrémne veľké súbory údajov vo viacerých klastroch, využívať výhody automatizačných nástrojov a využívať hardvérové zrýchlenie. V tejto knihe sa spolupredseda KubeflowYuan Tangdelí o vzory, techniky a skúsenosti získané počas rokov strávených budovaním a správou špičkovej distribuovanej infraštruktúry strojového učenia.

O knihe

Distribuované vzory strojového učenia je plná praktických vzorov na prevádzku systémov strojového učenia na distribuovaných klastroch Kubernetes v cloude. Každý vzor je navrhnutý tak, aby pomohol vyriešiť bežné problémy, ktorým čelíme pri budovaní distribuovaných systémov strojového učenia, vrátane podpory distribuovaného trénovania modelov, zvládania neočakávaných zlyhaní a dynamickej prevádzky obsluhy modelov. Scenáre z reálneho sveta poskytujú jasné príklady použitia jednotlivých vzorov spolu s možnými kompromismi pre každý prístup. Po zvládnutí týchto špičkových techník ich všetky uplatníte v praxi a na záver vytvoríte komplexný distribuovaný systém strojového učenia.

O čitateľovi

Pre dátových analytikov, dátových vedcov a softvérových inžinierov, ktorí poznajú základy algoritmov strojového učenia a spúšťania strojového učenia v produkcii. Čitatelia by mali poznať základy programov Bash, Python a Docker.

O autorovi

Yuan Tang je v súčasnosti zakladajúcim inžinierom spoločnosti Akuity. Predtým pôsobil ako senior softvérový inžinier v spoločnosti Alibaba Group, kde budoval infraštruktúru umelej inteligencie a platformy AutoML na platforme Kubernetes. Yuan je spolupredsedom Kubeflow, správcom Argo, TensorFlow, XGBoost a Apache MXNet. Je spoluautorom knihy TensorFlow in Practice a autorom implementácie TensorFlow v knihe Dive into Deep Learning.