Zvládnutie architektúry Mlops: Od kódu k nasadeniu: Zvládnite výrobný cyklus neustáleho učenia ML modelov pomocou Mlops

Recenzie čitateľov

Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 2 hlasoch.

Pôvodný názov:

Mastering Mlops Architecture: From Code to Deployment: Manage the Production Cycle of Continual Learning ML Models with Mlops

Obsah knihy:

Využite silu MLOps na riadenie projektového cyklu strojového učenia v reálnom čase

Kľúčové funkcie

● Komplexné pokrytie konceptov, architektúry, nástrojov a techník MLOps.

● Praktické zameranie na budovanie end-to-end ML systémov pre kontinuálne učenie pomocou MLOps.

● Praktické poznatky o CI/CD, monitorovaní, kontinuálnom tréningu modelov a automatizovanom preškoľovaní.

Popis

MLOps, kombinácia DevOps, dátového inžinierstva a strojového učenia, je vzhľadom na dynamickú povahu dát strojového učenia kľúčová pre poskytovanie kvalitných výsledkov strojového učenia. Táto kniha sa zaoberá MLOps, pokrýva jeho základné koncepty, komponenty a architektúru a ukazuje, ako MLOps podporuje robustné a neustále sa zlepšujúce systémy strojového učenia.

Kniha pokrýva komplexný postup strojového učenia od údajov až po nasadenie a pomáha čitateľom implementovať pracovné postupy MLOps. Rozoberá techniky, ako je feature engineering, vývoj modelov, A/B testovanie a nasadenie kanárikov. Kniha vybavuje čitateľov znalosťami o nástrojoch a infraštruktúre MLOps pre úlohy, ako je sledovanie modelov, správa modelov, správa metadát a orchestrácia potrubia. Podrobne sa venuje procesom monitorovania a údržby na zisťovanie degradácie modelu. Čitatelia môžu získať zručnosti na vytvorenie efektívnych CI/CD pipeline, rýchlejšie nasadenie modelov a zvýšenie spoľahlivosti, robustnosti a pripravenosti ML systémov na produkciu.

Celkovo je kniha nepostrádateľným sprievodcom MLOps a jeho aplikáciami na poskytovanie obchodnej hodnoty prostredníctvom kontinuálneho strojového učenia a umelej inteligencie.

Čo sa naučíte

● Architektúru robustnej infraštruktúry MLOps s komponentmi, ako sú úložiská funkcií.

● Využívať nástroje MLOps, ako sú registre modelov, úložiská metadát, pipelines.

● Budovať pracovné postupy CI/CD na rýchlejšie a nepretržité nasadzovanie modelov.

● Monitorovať a udržiavať modely v produkcii s cieľom odhaliť zhoršenie.

● Vytvárajte automatizované pracovné postupy na preškolenie a aktualizáciu modelov v produkcii.

Pre koho je táto kniha určená

Špecialisti na strojové učenie, dátoví vedci, odborníci na DevOps, tímy vyvíjajúce softvér a všetci tí, ktorí si chcú osvojiť prístup DevOps pri svojich agilných experimentoch a aplikáciách strojového učenia. Predchádzajúce znalosti strojového učenia a programovania v jazyku Python sú žiaduce.

Obsah

1. Začíname s MLOps

2. Architektúra a komponenty MLOps

3. Infraštruktúra a nástroje MLOps

4. Čo sú systémy strojového učenia?

5. Príprava údajov a vývoj modelov

6. Nasadenie a obsluha modelov

7. Nepretržité poskytovanie modelov strojového učenia

8. Kontinuálne učenie

9. Kontinuálne monitorovanie, logovanie a údržba