Bewertung:
Das Buch wird für seinen umfassenden Ansatz zum Verständnis von MLOps und Deep Learning hoch gelobt, insbesondere für diejenigen, die mit der praktischen Umsetzung in der Cloud Schwierigkeiten haben könnten. Es führt die Leser effektiv durch ein komplettes Projekt und erweitert ihre Kenntnisse über PyTorch und verteilte Schulungen auf AWS.
Vorteile:Ausführliche Abdeckung von MLOps und Deep-Learning-Konzepten, praktische Projektanleitungen, hilfreich für den Einsatz in der Cloud und die Verwendung von PyTorch, verbessert das Verständnis der automatischen Differenzierung, nützlich für Interviews und Projekte.
Nachteile:Keine explizite Erwähnung in den Rezensionen.
(basierend auf 2 Leserbewertungen)
Mlops Engineering at Scale
Vermeiden Sie kostspielige und zeitaufwändige Infrastrukturaufgaben und bringen Sie Ihre maschinellen Lernmodelle mit MLOps und vorgefertigten serverlosen Tools schnell in Produktion!
In MLOps Engineering at Scale werden Sie lernen:
Extrahieren, Umwandeln und Laden von Datensätzen
Abfragen von Datensätzen mit SQL
Verstehen der automatischen Differenzierung in PyTorch
Bereitstellung von Modell-Trainings-Pipelines als Service-Endpunkt
Überwachung und Verwaltung des Lebenszyklus Ihrer Pipeline
Messung von Leistungsverbesserungen
MLOps Engineering at Scale zeigt Ihnen, wie Sie maschinelles Lernen effizient in die Produktion bringen können, indem Sie vorgefertigte Services von AWS und anderen Cloud-Anbietern nutzen. Sie lernen, wie Sie schnell flexible und skalierbare Systeme für maschinelles Lernen erstellen können, ohne sich mit zeitaufwändigen operativen Aufgaben oder dem kostspieligen Overhead physischer Hardware auseinandersetzen zu müssen. Anhand eines realen Anwendungsfalls für die Berechnung von Taxitarifen werden Sie eine MLOps-Pipeline für ein PyTorch-Modell mit AWS-Funktionen ohne Server entwickeln.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Ein produktionsreifes System für maschinelles Lernen umfasst effiziente Datenpipelines, integrierte Überwachung und Möglichkeiten zur bedarfsgerechten Skalierung. Die Verwendung von Cloud-basierten Diensten zur Implementierung der ML-Infrastruktur verkürzt die Entwicklungszeit und senkt die Hosting-Kosten. Mit Serverless MLOps entfällt die Notwendigkeit, eine benutzerdefinierte Infrastruktur aufzubauen und zu warten, sodass Sie sich auf Ihre Daten, Modelle und Algorithmen konzentrieren können.
Über dieses Buch
MLOps Engineering at Scale zeigt Ihnen, wie Sie effiziente maschinelle Lernsysteme mit vorgefertigten Services von AWS und anderen Cloud-Anbietern implementieren können. Dieses leicht verständliche Buch führt Sie Schritt für Schritt durch die Einrichtung Ihrer serverlosen ML-Infrastruktur, selbst wenn Sie noch nie eine Cloud-Plattform verwendet haben. Sie werden auch Tools wie PyTorch Lightning, Optuna und MLFlow kennenlernen, mit denen Sie ganz einfach Pipelines erstellen und Ihre Deep-Learning-Modelle in der Produktion skalieren können.
Der Inhalt
Reduzieren oder eliminieren Sie die ML-Infrastrukturverwaltung
Lernen Sie modernste MLOps-Tools wie PyTorch Lightning und MLFlow kennen
Bereitstellung von Trainingspipelines als Service-Endpunkt
Überwachen und verwalten Sie den Lebenszyklus Ihrer Pipelines
Messen Sie Leistungsverbesserungen
Über den Leser
Die Leser müssen Python, SQL und die Grundlagen des maschinellen Lernens beherrschen. Keine Cloud-Erfahrung erforderlich.
Über den Autor
Carl Osipov implementierte sein erstes neuronales Netz im Jahr 2000 und hat bei Google und IBM an Deep Learning und maschinellem Lernen gearbeitet.
Inhaltsübersicht
TEIL 1 - BEHERRSCHUNG DES DATENSATZES
1 Einführung in das serverlose maschinelle Lernen
2 Erste Schritte mit dem Datensatz
3 Erkundung und Vorbereitung des Datensatzes
4 Weitere explorative Datenanalyse und Datenaufbereitung
TEIL 2 - PYTORCH FÜR SERVERLOSES MASCHINELLES LERNEN
5 Einführung in PyTorch: Tensor-Grundlagen
6 Kern von PyTorch: Autograd, Optimierer und Dienstprogramme
7 Serverloses maschinelles Lernen im großen Maßstab
8 Skalierung mit verteiltem Training
TEIL 3 - SERVERLOSES MASCHINELLES LERNEN - PIPELINE
9 Feature-Auswahl
10 Übernahme von PyTorch Lightning
11 Optimierung der Hyperparameter
12 Pipeline für maschinelles Lernen
| ISBN: | 9781617297762 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 250 |
Derzeit verfügbar, auf Lager.
