Bewertung:
Insgesamt erhält das Buch über MLflow gemischte Kritiken. Viele schätzen den umfassenden Überblick und die praktischen Beispiele, die es besonders für fortgeschrittene Praktiker nützlich machen, die Lebenszyklen des maschinellen Lernens verwalten wollen. Allerdings kämpft es mit der Schreibqualität, enthält Tippfehler und hat Probleme mit einigen Codebeispielen. Während es wertvolle Einblicke bietet, hatten einige Leser Schwierigkeiten mit der Fehlersuche im Code und bemerkten die fehlende Abdeckung für unstrukturierte Daten.
Vorteile:⬤ Umfassender Überblick über MLflow und seine Funktionen.
⬤ Praktische Beispiele und praktische Übungen mit Docker.
⬤ Gut strukturierter Inhalt, der auch für Personen mit Vorkenntnissen leicht zu verstehen ist.
⬤ Nützlich für das Verständnis von ML-Lebenszyklus und Best Practices.
⬤ Gut für mittlere bis fortgeschrittene ML-Praktiker.
⬤ Schlechte Schreibqualität und viele Tippfehler im Text.
⬤ Einige Code-Beispiele funktionieren nicht wie vorgesehen, was zu Problemen bei der Fehlersuche führt.
⬤ Nicht einsteigerfreundlich; erfordert Vorkenntnisse in ML und verwandten Tools.
⬤ Begrenzte Abdeckung von Anwendungsfällen für unstrukturierte Daten.
⬤ Bedenken hinsichtlich der Zuverlässigkeit des zugehörigen GitHub-Repositorys.
(basierend auf 15 Leserbewertungen)
Machine Learning Engineering with MLflow: Manage the end-to-end machine learning life cycle with MLflow
Mit MLflow sind Sie in kürzester Zeit einsatzbereit und produktiv, denn es nutzt den effektivsten Ansatz für maschinelles Lernen.
Hauptmerkmale:
⬤ Erforschen Sie mit MLflow die Arbeitsabläufe des maschinellen Lernens, um ML-Probleme kurz und klar zu formulieren.
⬤ Verwenden Sie MLflow, um ein ML-Modell iterativ zu entwickeln und es zu verwalten.
⬤ Entdecken und arbeiten Sie mit den in MLflow verfügbaren Funktionen, um ein Modell nahtlos von der Entwicklungsphase in eine Produktionsumgebung zu überführen.
Buchbeschreibung:
MLflow ist eine Plattform für den Lebenszyklus des maschinellen Lernens, die eine strukturierte Entwicklung und Iteration von maschinellen Lernmodellen sowie einen nahtlosen Übergang in skalierbare Produktionsumgebungen ermöglicht.
Dieses Buch führt Sie durch die verschiedenen Funktionen von MLflow und zeigt Ihnen, wie Sie diese in Ihrem ML-Projekt implementieren können. Sie beginnen mit der Formulierung eines ML-Problems und transformieren dann Ihre Lösung mit MLflow, indem Sie eine Workbench-Umgebung, eine Trainingsinfrastruktur, Datenmanagement, Modellmanagement, Experimente und modernste ML-Bereitstellungstechniken in der Cloud und vor Ort hinzufügen. Das Buch untersucht auch Techniken zur Skalierung Ihres Workflows sowie Techniken zur Leistungsüberwachung. Im weiteren Verlauf erfahren Sie, wie Sie ein operatives Dashboard zur Verwaltung von Systemen für maschinelles Lernen erstellen können. Später erfahren Sie anhand von Anwendungsfällen, wie Sie MLflow in den Bereichen AutoML, Anomalieerkennung und Deep Learning einsetzen können. Darüber hinaus erfahren Sie, wie Sie Plattformen für maschinelles Lernen sowohl für die lokale Entwicklung als auch für Cloud- und verwaltete Umgebungen nutzen können. Dieses Buch zeigt Ihnen auch, wie Sie MLflow in nicht auf Python basierenden Sprachen wie R und Java verwenden können, und behandelt Ansätze zur Erweiterung von MLflow mit Plugins.
Am Ende dieses Buches über maschinelles Lernen werden Sie in der Lage sein, zuverlässige maschinelle Lernalgorithmen mit MLflow in verschiedenen Umgebungen zu erstellen und einzusetzen.
Was Sie lernen werden:
⬤ Entwickeln Sie Ihr Machine-Learning-Projekt lokal mit den verschiedenen Funktionen von MLflow.
⬤ Einrichten eines zentralen MLflow-Tracking-Servers zur Verwaltung mehrerer MLflow-Experimente.
⬤ Erstellen Sie einen Modelllebenszyklus mit MLflow, indem Sie benutzerdefinierte Modelle erstellen.
⬤ Verwendung von Feature-Streams zur Protokollierung von Modellergebnissen mit MLflow.
⬤ Entwickeln Sie die komplette Trainings-Pipeline-Infrastruktur mit MLflow-Funktionen.
⬤ Einrichten einer inferenzbasierten API-Pipeline und einer Batch-Pipeline in MLflow.
⬤ Skalierung großer Datenmengen durch Integration von MLflow mit leistungsstarken Big-Data-Bibliotheken.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Dateningenieure, die praktische Erfahrungen im Bereich des maschinellen Lernens sammeln und lernen möchten, wie sie einen durchgängigen Lebenszyklus für maschinelles Lernen mit Hilfe von MLflow verwalten können. Es werden Kenntnisse der Programmiersprache Python auf mittlerem Niveau vorausgesetzt.
| ISBN: | 9781800560796 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
