Bewertung:
Das Buch bietet einen sehr guten Überblick über MLOps-Konzepte, aber es fehlt an Tiefe und praktischer Anleitung zur Umsetzung. Während einige Rezensenten den Wert der Organisation und des einführenden Charakters des Buches schätzten, kritisierten viele, dass es zu simpel und nicht aufschlussreich sei und anderswo frei erhältlich. Das Material wird als übereilt und ohne konkrete Lösungen beschrieben, was es für erfahrene Fachleute im Bereich maschinelles Lernen ungeeignet macht.
Vorteile:⬤ Organisierte Struktur; einfach zu folgen.
⬤ Bietet einen Überblick über die Konzepte von MLOps auf hohem Niveau.
⬤ Könnte für absolute Anfänger im Bereich ML/DS von Vorteil sein.
⬤ Sehr einführend; es fehlt an Tiefe und konkreten Lösungen.
⬤ Inhalt könnte über eine einfache Google-Suche gefunden werden.
⬤ Überteuert für den Umfang des Inhalts.
⬤ Nicht nützlich für diejenigen, die bereits über MLOps-Kenntnisse verfügen.
⬤ Das Material ist auf ihrer Website kostenlos und in besserer Qualität verfügbar.
(basierend auf 9 Leserbewertungen)
Introducing Mlops: How to Scale Machine Learning in the Enterprise
Mehr als die Hälfte der Analyse- und maschinellen Lernmodelle (ML), die heute von Unternehmen erstellt werden, schaffen es nie in die Produktion. Einige der Herausforderungen und Hindernisse für die Operationalisierung sind technischer Natur, andere wiederum sind organisatorischer Natur. In jedem Fall können Modelle, die nicht in Produktion gehen, keinen geschäftlichen Nutzen bringen.
Dieses Buch stellt die Schlüsselkonzepte von MLOps vor, um Datenwissenschaftlern und Anwendungsingenieuren zu helfen, ML-Modelle nicht nur zu operationalisieren, um echte geschäftliche Veränderungen voranzutreiben, sondern diese Modelle auch im Laufe der Zeit zu pflegen und zu verbessern. Anhand von Lektionen, die auf zahlreichen MLOps-Anwendungen auf der ganzen Welt basieren, geben neun Experten für maschinelles Lernen Einblicke in die fünf Schritte des Modelllebenszyklus - Aufbau, Vorproduktion, Bereitstellung, Überwachung und Steuerung - und zeigen, wie robuste MLOps-Prozesse durchgängig eingesetzt werden können.
Dieses Buch hilft Ihnen:
⬤ Datenwissenschaftlichen Wert durch Verringerung der Reibung in ML-Pipelines und -Workflows zu erfüllen.
⬤ ML-Modelle durch Nachschulung, regelmäßige Abstimmung und vollständige Umgestaltung zu verfeinern, um langfristige Genauigkeit zu gewährleisten.
⬤ Entwerfen Sie den MLOps-Lebenszyklus, um organisatorische Risiken mit Modellen zu minimieren, die unvoreingenommen, fair und erklärbar sind.
⬤ Betreiben Sie ML-Modelle für die Pipeline-Bereitstellung und für externe Geschäftssysteme, die komplexer und weniger standardisiert sind.
| ISBN: | 9781492083290 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 150 |
Derzeit verfügbar, auf Lager.
