Bewertung:
Das Buch wird für seine praktische Herangehensweise an MLOps gelobt. Es bietet eine praktische Umsetzung und Beispiele aus der Praxis, insbesondere unter Verwendung von Azure-Diensten. Es deckt grundlegende Konzepte ab und ist eine gute Einführung sowohl für Anfänger als auch für erfahrene Ingenieure. Es wurde jedoch wegen Tippfehlern, veraltetem Inhalt und der Abhängigkeit von Azure kritisiert, was seine Anwendbarkeit für diejenigen, die andere Cloud-Plattformen nutzen, einschränken könnte.
Vorteile:⬤ Praktische Beispiele und praktische Umsetzung
⬤ klare und einfache Sprache
⬤ umfassender Überblick über MLOps
⬤ vorteilhaft sowohl für erfahrene Ingenieure als auch für Geschäftsleute
⬤ Abdeckung verschiedener MLOps-Techniken auf hohem Niveau
⬤ gute Ausgewogenheit von Theorie und Praxis
⬤ sehr empfehlenswert für Anfänger.
⬤ Laxes Korrekturlesen mit mehreren Tippfehlern
⬤ Beispiele können mit Azure-Updates veraltet sein
⬤ einige Inhalte fühlen sich wie eine Blackbox an, da sie sich stark auf Azure stützen
⬤ tiefe theoretische Einblicke in die Modellleistungsanalyse fehlen
⬤ Probleme mit Code-Diskrepanzen zwischen dem Buch und dem Repository.
(basierend auf 15 Leserbewertungen)
Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale
Die Einführung von MLOps in Ihrem Unternehmen und das Management des Lebenszyklus von maschinellem Lernen
Hauptmerkmale:
⬤ Machen Sie sich mit MLOps-Techniken vertraut, um die Qualität von Modellen für maschinelles Lernen in der Produktion zu überwachen.
⬤ Lernen Sie ein Überwachungs-Framework für ML-Modelle in der Produktion kennen und erfahren Sie mehr über die durchgängige Rückverfolgbarkeit für bereitgestellte Modelle.
⬤ Führen Sie CI/CD durch, um neue Implementierungen in ML-Pipelines zu automatisieren.
Buchbeschreibung:
MLOps ist ein systematischer Ansatz für die Entwicklung, Bereitstellung und Überwachung von Lösungen für maschinelles Lernen (ML). Es handelt sich dabei um eine technische Disziplin, die auf verschiedene Branchen und Anwendungsfälle angewendet werden kann. Dieses Buch bietet umfassende Einblicke in MLOps und Beispiele aus der Praxis, die Ihnen helfen, Programme zu schreiben, robuste und skalierbare ML-Modelle zu trainieren und ML-Pipelines aufzubauen, um Modelle sicher in der Produktion zu trainieren und einzusetzen.
Das Buch macht Sie zunächst mit dem MLOps-Workflow vertraut, damit Sie mit dem Schreiben von Programmen zum Trainieren von ML-Modellen beginnen können. Anschließend werden Sie Optionen für die Serialisierung und Paketierung von ML-Modellen nach dem Training erkunden, um sie bereitzustellen und die Inferenz des maschinellen Lernens, die Interoperabilität der Modelle und die Rückverfolgbarkeit der Modelle von Anfang bis Ende zu erleichtern. Sie erfahren, wie Sie ML-Pipelines, CI/CD-Pipelines (Continuous Integration and Continuous Delivery) und Überwachungspipelines erstellen können, um ML-Lösungen für Unternehmen und Branchen systematisch zu erstellen, bereitzustellen, zu überwachen und zu steuern. Schließlich wenden Sie das erworbene Wissen an, um reale Projekte zu erstellen.
Am Ende dieses ML-Buches werden Sie einen 360-Grad-Blick auf MLOps haben und bereit sein, MLOps in Ihrem Unternehmen zu implementieren.
Was Sie lernen werden:
⬤ Erarbeitung von Data-Governance-Strategien und Pipelines für ML-Training und -Einsatz.
⬤ Implementierung von ML-Pipelines, CI/CD-Pipelines und ML-Überwachungspipelines.
⬤ Entwerfen Sie einen robusten und skalierbaren Microservice und eine API für Test- und Produktionsumgebungen.
⬤ Kuratieren Sie Ihre benutzerdefinierten CD-Prozesse für verwandte Anwendungsfälle und Organisationen.
⬤ Überwachen Sie ML-Modelle, einschließlich der Überwachung von Datendrift, Modelldrift und Anwendungsleistung.
⬤ Aufbau und Wartung automatisierter ML-Systeme.
Für wen dieses Buch gedacht ist:
Dieses MLOps-Buch richtet sich an Datenwissenschaftler, Software-Ingenieure, DevOps-Ingenieure, Ingenieure für maschinelles Lernen sowie Unternehmens- und Technologieführer, die ML-Systeme unter Verwendung von MLOps-Prinzipien und -Techniken aufbauen, bereitstellen und in der Produktion warten möchten. Grundlegende Kenntnisse des maschinellen Lernens sind erforderlich, um mit diesem Buch zu beginnen.
| ISBN: | 9781800562882 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
