Mlops Engineering at Scale

Recenzie čitateľov

Kniha je vysoko hodnotená pre svoj komplexný prístup k pochopeniu MLOps a hlbokého učenia, najmä pre tých, ktorí môžu mať problémy s praktickou implementáciou v cloude. Efektívne vedie čitateľov kompletným projektom, pričom rozširuje ich znalosti o PyTorchu a distribuovanom vzdelávaní na AWS.

Hlboké pokrytie konceptov MLOps a deep learningu, praktický návod na projekt, užitočný pri nasadení v cloude a používaní PyTorchu, zlepšuje pochopenie automatického rozlišovania, prínosný pri pohovoroch a projektoch.

V recenziách nie je žiadna výslovne spomenutá.

(na základe 2 čitateľských recenzií)

Obsah knihy:

Vyhnite sa nákladným a časovo náročným infraštruktúrnym úlohám a rýchlo preneste svoje modely strojového učenia do produkcie pomocou MLOps a vopred pripravených bezserverových nástrojov!

V knihe MLOps Engineering at Scale sa naučíte:

získavanie, transformáciu a načítanie súborov údajov

Vyhľadávanie súborov údajov pomocou jazyka SQL

Pochopenie automatickej diferenciácie v PyTorchu

Nasadzovanie potrubí na trénovanie modelov ako koncového bodu služby

Monitorovanie a správa životného cyklu potrubia

Meranie zlepšenia výkonu

MLOps Engineering at Scale vám ukáže, ako efektívne zaviesť strojové učenie do produkcie pomocou vopred pripravených služieb od AWS a iných dodávateľov cloudu. Naučíte sa, ako rýchlo vytvoriť flexibilné a škálovateľné systémy strojového učenia bez toho, aby ste sa museli namáhať s časovo náročnými prevádzkovými úlohami alebo preberať nákladné režijné náklady na fyzický hardvér. Na základe reálneho prípadu použitia na výpočet cestovného v taxíkoch navrhnete potrubie MLOps pre model PyTorch s využitím možností bez serverov AWS.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii

Systém strojového učenia pripravený na produkciu zahŕňa efektívne dátové potrubia, integrované monitorovanie a prostriedky na rozširovanie a znižovanie na základe dopytu. Používanie cloudových služieb na implementáciu infraštruktúry ML skracuje čas vývoja a znižuje náklady na hosting. Bezserverové MLO eliminuje potrebu budovať a udržiavať vlastnú infraštruktúru, takže sa môžete sústrediť na svoje údaje, modely a algoritmy.

O knihe

MLOps Engineering at Scale vás naučí, ako implementovať efektívne systémy strojového učenia pomocou vopred pripravených služieb od AWS a iných dodávateľov cloudu. Táto prehľadná kniha vás krok za krokom povedie pri vytváraní bezserverovej ML infraštruktúry, aj keď ste nikdy predtým nepoužívali cloudovú platformu. Preskúmate tiež nástroje, ako sú PyTorch Lightning, Optuna a MLFlow, ktoré uľahčujú vytváranie potrubí a škálovanie modelov hlbokého učenia v produkcii.

Čo je vnútri

Znížte alebo odstráňte správu ML infraštruktúry

Spoznajte najmodernejšie nástroje MLOps, ako sú PyTorch Lightning a MLFlow

Nasadiť tréningové pipeline ako koncový bod služby

Monitorujte a spravujte životný cyklus svojich pipeline

Merajte zlepšenia výkonu

O čitateľovi

Čitatelia musia ovládať Python, SQL a základy strojového učenia. Nevyžadujú sa žiadne skúsenosti s cloudom.

O autorovi

Carl Osipov implementoval svoju prvú neurónovú sieť v roku 2000 a pracoval na hlbokom učení a strojovom učení v spoločnostiach Google a IBM.

Obsah

ČASŤ 1 - ZVLÁDNUTIE SÚBORU ÚDAJOV

1 Úvod do strojového učenia bez servera

2 Začíname so súborom údajov

3 Skúmanie a príprava súboru údajov

4 Ďalšia prieskumná analýza údajov a príprava údajov

ČASŤ 2 - PYTORCH PRE STROJOVÉ UČENIE BEZ SERVERA

5 Predstavenie jazyka PyTorch: Základy tenzorov

6 Jadro PyTorch: Autograd, optimalizátory a nástroje

7 Bezserverové strojové učenie vo veľkom meradle

8 Škálovanie pomocou distribuovaného trénovania

ČASŤ 3 - BEZSERVEROVÉ POTRUBIE STROJOVÉHO UČENIA

9 Výber funkcií

10 Prijatie PyTorch Lightning

11 Optimalizácia hyperparametrov

12 Potrubie strojového učenia