Praktische Mlops: Operationalisierung von Modellen für maschinelles Lernen

Bewertung:   (4,1 von 5)

Praktische Mlops: Operationalisierung von Modellen für maschinelles Lernen (Noah Gift)

Leserbewertungen

Zusammenfassung:

Das Buch bietet eine umfassende Erkundung von ML Engineering und MLOps mit praktischen Tipps und persönlichen Geschichten. Es hat jedoch Kritik für seine Druckqualität, Organisation und einige oberflächliche Inhalte erhalten.

Vorteile:

Deckt sowohl die Theorie als auch die Praxis von ML Engineering und MLOps ab
enthält praktische Tipps und persönliche Anekdoten
wird für seine Schritt-für-Schritt-Anleitungen zur Bereitstellung von Modellen auf AWS gelobt
bietet solide Informationen für Praktiker
enthält Details zu den wichtigsten Cloud-Plattformen.

Nachteile:

Nicht für Anfänger geeignet
schlechte Qualität der gedruckten Version
unübersichtliche Struktur
mangelnde Tiefe in einigen Bereichen
einige Nutzer hatten den Eindruck, dass es eher einer Sammlung von Blogbeiträgen als einem zusammenhängenden Buch ähnelt
enthält Eigenwerbung des Autors.

(basierend auf 14 Leserbewertungen)

Originaltitel:

Practical Mlops: Operationalizing Machine Learning Models

Inhalt des Buches:

Die grundlegende Herausforderung beim maschinellen Lernen besteht darin, Ihre Modelle in die Produktion zu bringen. MLOps bietet eine Reihe von bewährten Prinzipien, die darauf abzielen, dieses Problem auf zuverlässige und automatisierte Weise zu lösen. Dieser aufschlussreiche Leitfaden zeigt Ihnen, was MLOps ist (und wie es sich von DevOps unterscheidet) und wie Sie es in die Praxis umsetzen können, um Ihre Machine-Learning-Modelle zu operationalisieren.

Aktuelle und angehende Ingenieure für maschinelles Lernen - oder jeder, der mit Data Science und Python vertraut ist - werden eine Grundlage in MLOps-Tools und -Methoden (zusammen mit AutoML und Überwachung und Protokollierung) aufbauen und dann lernen, wie sie in AWS, Microsoft Azure und Google Cloud implementiert werden können. Je schneller Sie ein funktionierendes maschinelles Lernsystem bereitstellen, desto schneller können Sie sich auf die geschäftlichen Probleme konzentrieren, die Sie zu lösen versuchen. Dieses Buch verschafft Ihnen einen Vorsprung.

Sie erfahren, wie Sie:

⬤ DevOps-Best-Practices auf maschinelles Lernen anwenden.

⬤ Produktionssysteme für maschinelles Lernen aufbauen und warten.

⬤ Überwachen, instrumentieren, Lasttests durchführen und maschinelle Lernsysteme in Betrieb nehmen.

⬤ Wählen Sie die richtigen MLOps-Tools für eine bestimmte Machine-Learning-Aufgabe.

⬤ Ausführen von maschinellen Lernmodellen auf einer Vielzahl von Plattformen und Geräten, einschließlich Mobiltelefonen und Spezialhardware.

Weitere Daten des Buches:

ISBN:9781098103019
Autor:
Verlag:
Einband:Taschenbuch
Erscheinungsjahr:2021
Seitenzahl:450

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Python für Devops: Lernen Sie rücksichtslos wirksame Automatisierung - Python for Devops: Learn...
In den letzten zehn Jahren hat sich in der...
Python für Devops: Lernen Sie rücksichtslos wirksame Automatisierung - Python for Devops: Learn Ruthlessly Effective Automation
Praktische Mlops: Operationalisierung von Modellen für maschinelles Lernen - Practical Mlops:...
Die grundlegende Herausforderung beim maschinellen...
Praktische Mlops: Operationalisierung von Modellen für maschinelles Lernen - Practical Mlops: Operationalizing Machine Learning Models
Entwickeln auf Aws mit C#: Ein umfassender Leitfaden zur Erstellung von Lösungen auf der...
Viele Unternehmen haben heute damit begonnen, ihre...
Entwickeln auf Aws mit C#: Ein umfassender Leitfaden zur Erstellung von Lösungen auf der Aws-Plattform mit C# - Developing on Aws with C#: A Comprehensive Guide on Using C# to Build Solutions on the Aws Platform

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)