Bewertung:
Das Buch „Machine Learning Engineering with Python“ ist ein umfassendes Handbuch für Praktiker, die ihre MLOps-Fähigkeiten verbessern und den Lebenszyklus von Machine-Learning-Modellen verstehen möchten. Es kombiniert auf effektive Weise theoretische Konzepte mit praktischen Beispielen zu verschiedenen Themen und eignet sich daher für Leser mit unterschiedlichem Wissensstand, wobei jedoch einige Grundkenntnisse empfohlen werden.
Vorteile:Gut strukturierter Inhalt, umfassende Abdeckung von ML-Konzepten, praktische Beispiele, geeignet für verschiedene Kompetenzniveaus, gute Erklärungen, enthält moderne Tools und Technologien (wie LLMs, AWS und Kubernetes) und konzentriert sich auf wichtige MLOps-Praktiken. Leicht verdaulich und fesselnd für diejenigen, die ML in der realen Welt anwenden wollen.
Nachteile:Nicht ideal für absolute Anfänger; Vorkenntnisse in Python und grundlegende ML-Konzepte sind erforderlich. Einige Inhalte können aufgrund der Schnelllebigkeit des Themas schnell veraltet sein. Bestimmte fortgeschrittene Themen werden nicht eingehend behandelt, und es könnten mehr praktische Fallstudien integriert werden, insbesondere in Bereichen wie generative KI. Der Schwerpunkt liegt eher auf bewährten Praktiken der Softwaretechnik als auf tiefgreifender ML-Theorie.
(basierend auf 25 Leserbewertungen)
Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples
Verwandeln Sie Ihre Projekte zum maschinellen Lernen in erfolgreiche Implementierungen mit diesem praktischen Leitfaden zur Erstellung und Skalierung von Lösungen, die reale Probleme lösen
Enthält ein neues Kapitel über generative KI und große Sprachmodelle (LLMs) sowie den Aufbau einer Pipeline, die LLMs mit LangChain nutzt
Key Features:
⬤ Diese zweite Auflage vertieft wichtige Themen des maschinellen Lernens, CI/CD und Systemdesign.
⬤ Erforschen Sie die wichtigsten MLOps-Praktiken, wie z. B. Modellmanagement und Leistungsüberwachung.
⬤ Erstellen Sie End-to-End-Beispiele für einsatzfähige ML-Microservices und Pipelines mit AWS und Open-Source-Tools.
Buchbeschreibung:
Machine Learning Engineering with Python, 2nd Edition, ist der praktische Leitfaden, den MLOps- und ML-Ingenieure benötigen, um robuste Lösungen für reale Probleme zu entwickeln. Er vermittelt Ihnen die Fähigkeiten und das Wissen, das Sie benötigen, um in diesem sich schnell entwickelnden Bereich die Nase vorn zu haben.
Das Buch verfolgt einen praxisnahen, auf Beispiele fokussierten Ansatz, der wesentliche technische Konzepte, Implementierungsmuster und Entwicklungsmethoden vermittelt. Sie werden die wichtigsten Schritte des Entwicklungszyklus für maschinelles Lernen verstehen und robuste Lösungen für maschinelles Lernen erstellen und einsetzen. Sobald Sie die Grundlagen beherrschen, werden Sie praktische Erfahrungen mit Implementierungsarchitekturen sammeln und Methoden zur Skalierung Ihrer Lösungen entdecken.
In dieser Ausgabe werden ML-Engineering und MLOps vertieft, wobei der Schwerpunkt stärker auf ML liegt. Sie werden CI/CD mit kontinuierlichem Training und Testen weiterentwickeln und sich eingehend mit Daten- und Konzeptdrift befassen.
In einem neuen Kapitel über generative KI lernen Sie Hugging Face, PyTorch und GitHub Copilot kennen und konsumieren ein LLM über eine API mit LangChain. Sie werden auch Überlegungen zum Deep Learning in Bezug auf Arbeitsabläufe, Hardware und die Skalierung von Arbeitslasten sowie die Orchestrierung von Arbeitsabläufen mit Airlfow und Kafka behandeln. Nutzen Sie die Vorteile von ZenML als Open-Source-Option für das Pipelining von Datenströmen und entwickeln Sie die Bereitstellung mit Canary-, Blue- und Green-Deployments weiter.
Was Sie lernen werden:
⬤ Planen und Verwalten von Entwicklungsprojekten für maschinelles Lernen.
⬤ Erforschen Sie ANNs, DNNs und LLMs und machen Sie sich mit dem Aufstieg der generativen KI in MLOps vertraut.
⬤ Verwenden Sie Python, um Ihre eigenen ML-Tools zu verpacken und Lösungen mit Apache Spark, Kubernetes und Apache Airflow zu skalieren.
⬤ Verwenden Sie AutoML für die Abstimmung von Hyperparametern.
⬤ Erkennen Sie Drift und bauen Sie robuste Mechanismen in Ihre Lösungen ein.
⬤ Optimieren Sie Ihre Fehlerbehandlung mit robusten Kontrollflüssen und Schwachstellenscans.
⬤ Hosten und erstellen Sie einen ML-Microservice mit AWS und Flask.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an MLOps- und ML-Ingenieure, Datenwissenschaftler und Softwareentwickler, die robuste Lösungen erstellen möchten, die maschinelles Lernen zur Lösung realer Probleme nutzen. Wenn Sie kein Entwickler sind, aber den Produktlebenszyklus dieser Systeme verwalten oder verstehen wollen, wird Ihnen dieses Buch ebenfalls nützlich sein. Es setzt grundlegende Kenntnisse über Konzepte des maschinellen Lernens und mittlere Programmierkenntnisse in Python voraus. Mit seinem Schwerpunkt auf praktischen Fertigkeiten und realen Beispielen ist dieses Buch eine unverzichtbare Ressource für alle, die ihre Karriere im Bereich des maschinellen Lernens vorantreiben wollen.
| ISBN: | 9781837631964 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
