Bewertung:
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.
⬤ 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)
Practical Mlops: Operationalizing Machine Learning Models
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.
| ISBN: | 9781098103019 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 450 |
Derzeit verfügbar, auf Lager.
