Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Mastering Mlops Architecture: From Code to Deployment: Manage the Production Cycle of Continual Learning ML Models with Mlops
Nutzen Sie die Leistungsfähigkeit von MLOps für die Verwaltung des Projektzyklus für maschinelles Lernen in Echtzeit
Wesentliche Merkmale
● Umfassende Behandlung von MLOps-Konzepten, -Architektur, -Tools und -Techniken.
● Praktischer Fokus auf den Aufbau von End-to-End-ML-Systemen für kontinuierliches Lernen mit MLOps.
● Umsetzbare Erkenntnisse zu CI/CD, Überwachung, kontinuierlichem Modelltraining und automatisiertem Retraining.
Beschreibung
MLOps, eine Kombination aus DevOps, Data Engineering und maschinellem Lernen, ist aufgrund der dynamischen Natur von maschinellen Lerndaten von entscheidender Bedeutung für die Bereitstellung qualitativ hochwertiger Ergebnisse. Dieses Buch befasst sich mit MLOps, seinen Kernkonzepten, Komponenten und seiner Architektur und zeigt, wie MLOps robuste und sich ständig verbessernde maschinelle Lernsysteme fördert.
Das Buch deckt die gesamte Pipeline des maschinellen Lernens von den Daten bis zur Bereitstellung ab und hilft dem Leser bei der Implementierung von MLOps-Workflows. Es behandelt Techniken wie Feature Engineering, Modellentwicklung, A/B-Tests und Canary-Bereitstellungen. Das Buch vermittelt dem Leser Kenntnisse über MLOps-Tools und -Infrastruktur für Aufgaben wie Modellverfolgung, Modellverwaltung, Metadatenmanagement und Pipeline-Orchestrierung. Überwachungs- und Wartungsprozesse zur Erkennung von Modellverschlechterungen werden eingehend behandelt. Die Leser können sich Fähigkeiten aneignen, um effiziente CI/CD-Pipelines aufzubauen, Modelle schneller bereitzustellen und ihre ML-Systeme zuverlässiger, robuster und produktionsfähiger zu machen.
Insgesamt ist das Buch ein unverzichtbarer Leitfaden für MLOps und seine Anwendungen für die Bereitstellung von Geschäftswerten durch kontinuierliches maschinelles Lernen und KI.
Was Sie lernen werden
● Eine robuste MLOps-Infrastruktur mit Komponenten wie Feature Stores aufbauen.
● MLOps-Tools wie Modellregistrierungen, Metadatenspeicher und Pipelines zu nutzen.
● CI/CD-Workflows erstellen, um Modelle schneller und kontinuierlich bereitzustellen.
● Überwachung und Wartung von Modellen in der Produktion, um Verschlechterungen zu erkennen.
● Automatisierte Workflows für die Umschulung und Aktualisierung von Modellen in der Produktion erstellen.
Für wen dieses Buch gedacht ist
Spezialisten für maschinelles Lernen, Datenwissenschaftler, DevOps-Profis, Software-Entwicklungsteams und alle, die den DevOps-Ansatz bei ihren agilen Experimenten und Anwendungen für maschinelles Lernen anwenden möchten. Vorkenntnisse in maschinellem Lernen und Python-Programmierung sind erwünscht.
Inhaltsübersicht
1. Erste Schritte mit MLOps
2. MLOps Architektur und Komponenten
3. MLOps-Infrastruktur und Werkzeuge
4. Was sind maschinelle Lernsysteme?
5. Datenaufbereitung und Modellentwicklung
6. Modellbereitstellung und -wartung
7. Kontinuierliche Bereitstellung von Modellen für maschinelles Lernen
8. Kontinuierliches Lernen
9. Kontinuierliche Überwachung, Protokollierung und Wartung
| ISBN: | 9789355519498 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2024 |
| Seitenzahl: | 226 |
Derzeit verfügbar, auf Lager.
