Bewertung:
Das Buch dient als grundlegende Einführung in MLOps, hat jedoch einige erhebliche Schwächen in der Ausführung und Bearbeitung.
Vorteile:Guter einführender Inhalt für MLOps; dient als Startpunkt.
Nachteile:Schlechte Ausführung mit mangelnder Tiefe, sich wiederholenden Inhalten, schlechtem Lektorat und unzureichendem Satz.
(basierend auf 2 Leserbewertungen)
Beginning Mlops with Mlflow: Deploy Models in Aws Sagemaker, Google Cloud, and Microsoft Azure
Kapitel 1: Erste Schritte: Datenanalyse und Feature-Engineering Ziel des Kapitels: Legen Sie die Prämisse des Problems fest, das wir mit maschinellem Lernen lösen wollen. Analysieren Sie mehrere Datensätze und verarbeiten Sie diese. Anzahl der Seiten - 30 Seiten Unterthemen 1. Prämisse 4. Datenanalyse 5. Feature-Engineering Kapitel 2: Aufbau eines Modells für maschinelles Lernen Kapitelziel: Aufbau eines Modells für maschinelles Lernen auf einem Datensatz/mehreren Datensätzen, für den/die wir die Daten in Kapitel 4 verarbeitet haben. Anzahl der Seiten - 40 SeitenUnterthemen: 1. Aufbau des Modells 2. Trainieren und Testen des Modells 3. Validierung und Optimierung Kapitel 3: Was ist MLOps? Ziel des Kapitels: Einführung des Lesers in MLOps, verschiedene Stufen der Automatisierung in MLOps-Setups, Automatisierung mit Pipelines sowie CI/CD und CD Deployment. Pipelines für: Source Repo zu Deployment, Prediction Services, Performance Monitoring, etc. Continuous Integration (Source Repo mit neuen Modellen aktualisiert), und Continuous Delivery (neue Modelle deployed). Anzahl der Seiten - 40 Seiten Unterthemen 1. Was ist MLOps? 2. MLOps-Einrichtungen 3. Automatisierung 4. CI/CD - Kontinuierliche Integration und Bereitstellung 5. CD - Deployment Kapitel 4: Einführung in MLFlowZiel des Kapitels: Einführung in MLFlow und wie man MLFlow in unseren ML-Trainingsprozess (PyTorch, Keras, TensorFlow) einbindet Anzahl der Seiten - 30 Seiten Unterthemen: 1. Was ist MLFlow? 2. MLFlow in PyTorch3. MLFlow in Keras4.
MLFlow in TensorFlow Kapitel 5: Bereitstellung in AWS - 40 Seiten Ziel des Kapitels: Den Leser durch den Prozess der Bereitstellung eines MLOps-Setups auf AWS SageMaker führen. -Beschreibung: Das Kapitel führt den Leser durch AWS SageMaker und hilft ihm, sein MLOps-Setup (Datenverarbeitungsscripts, Model Train, Test, Validierungsscripts) in AWS bereitzustellen.
Kapitel 6: Bereitstellung in Azure - 40 Seiten Ziel des Kapitels: Den Leser durch den Prozess der Bereitstellung einer MLOps-Einrichtung auf Microsoft Azure zu führen. -Beschreibung: Das Kapitel führt den Leser durch Microsoft Azure und hilft ihm, sein MLOps-Setup (Datenverarbeitungsskripte, Skripte zum Trainieren, Testen und Validieren von Modellen) in Azure bereitzustellen. Kapitel 7: Bereitstellung in Google - 40 Seiten Ziel des Kapitels: Den Leser durch den Prozess der Bereitstellung eines MLOps-Setups in der Google Cloud zu führen. -Beschreibung: Das Kapitel führt den Leser durch Google Cloud und hilft ihm, sein MLOps-Setup (Datenverarbeitungsskripte, Skripte zum Trainieren, Testen und Validieren von Modellen) in Google Cloud bereitzustellen. Anhang A: a2ml - 20 Seiten Kapitelziel: Dieses Anhangskapitel ist optional und führt den Benutzer durch den Prozess der Bereitstellung eines MLOps-Setups mit a2ml. -Beschreibung: Das Kapitel führt den Leser durch a2ml und hilft ihm, sein MLOps-Setup (Datenverarbeitungsskripte, Modell-Train-, Test- und Validierungsskripte) über a2ml bereitzustellen.
| ISBN: | 9781484265482 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 330 |
Derzeit verfügbar, auf Lager.
