Leserbewertungen
Zusammenfassung:Das Buch wird für seinen praxisnahen Ansatz zum Erlernen von MLOps und KI-Systemarchitekturen in der Produktion hoch gelobt. Es bietet praktische Übungen und Best Practices, insbesondere unter Verwendung von TensorFlow, Kubernetes und Kubeflow. Viele Leser fanden die Einblicke in verteilte Trainings- und Modellbereitstellungsmuster besonders wertvoll.
Vorteile:Praktische Übungen, ausgezeichnete Erklärungen zu verteiltem maschinellem Lernen, praktische Beispiele und Programmierübungen, Cloud-unabhängig, aufschlussreiche Kapitel zu Architektur und Arbeitsabläufen und ein umfassendes End-to-End-Projekt. Das Buch ist ansprechend und gut geschrieben und macht komplexe Themen leichter zugänglich.
Nachteile:Das Buch behandelt nicht PyTorch, was seine Anwendbarkeit für diejenigen, die speziell dieses Framework erlernen wollen, einschränken könnte. Einige Kapitel könnten für absolute Anfänger ohne Vorkenntnisse der Grundlagen des maschinellen Lernens und der Container-Orchestrierungstools wie Docker und Kubernetes eine Herausforderung darstellen.
(basierend auf 3 Leserbewertungen)
Originaltitel:
Distributed Machine Learning Patterns
Inhalt des Buches:
Praktische Muster für die Skalierung von maschinellem Lernen von Ihrem Laptop auf einen verteilten Cluster.
In Distributed Machine Learning Patterns lernen Sie, wie man:
Verteilte Systemmuster anwenden, um skalierbare und zuverlässige maschinelle Lernprojekte zu erstellen.
Konstruieren Sie Pipelines für maschinelles Lernen mit Dateneingabe, verteiltem Training, Modellbereitstellung und mehr.
Aufgaben des maschinellen Lernens mit Kubernetes, TensorFlow, Kubeflow und Argo Workflows zu automatisieren.
Treffen Sie Abwägungen zwischen verschiedenen Mustern und Ansätzen.
Verwalten und Überwachen von Machine-Learning-Workloads im großen Maßstab.
In Distributed Machine Learning Patterns lernen Sie, wie Sie Machine-Learning-Modelle von Ihrem Laptop auf große verteilte Cluster skalieren können. Sie werden lernen, wie man etablierte Muster für verteilte Systeme auf Machine-Learning-Projekte anwendet und auch neue ML-spezifische Muster erforscht. Dieses Buch ist fest in der realen Welt verwurzelt und demonstriert die Anwendung von Mustern anhand von Beispielen, die auf TensorFlow, Kubernetes, Kubeflow und Argo Workflows basieren. Mit Szenarien aus der realen Welt, praktischen Projekten und klaren, praktischen DevOps-Techniken können Sie Cloud-native, verteilte Pipelines für maschinelles Lernen einfach starten, verwalten und überwachen.
Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.
Über die Technologie
Die Skalierung von Modellen von Einzelgeräten auf große verteilte Cluster ist eine der größten Herausforderungen für moderne Praktiker des maschinellen Lernens. Verteilte Systeme für maschinelles Lernen ermöglichen es Entwicklern, extrem große Datensätze über mehrere Cluster hinweg zu verarbeiten, die Vorteile von Automatisierungstools zu nutzen und von Hardwarebeschleunigungen zu profitieren. In diesem Buch teilt der Co-Vorsitzende von Kubeflow Yuan Tang Muster, Techniken und Erfahrungen, die er in den Jahren gesammelt hat, in denen er eine hochmoderne Infrastruktur für verteiltes maschinelles Lernen aufgebaut und verwaltet hat.
Über das Buch
Distributed Machine Learning Patterns enthält eine Fülle von praktischen Mustern für den Betrieb von Machine-Learning-Systemen auf verteilten Kubernetes-Clustern in der Cloud. Jedes Muster wurde entwickelt, um häufige Herausforderungen beim Aufbau verteilter maschineller Lernsysteme zu lösen, einschließlich der Unterstützung verteilter Modellschulung, der Handhabung unerwarteter Ausfälle und des dynamischen Modellservicetraffics. Szenarien aus der realen Welt liefern klare Beispiele für die Anwendung jedes Musters sowie die potenziellen Nachteile der einzelnen Ansätze. Sobald Sie diese innovativen Techniken beherrschen, setzen Sie sie in die Praxis um und bauen abschließend ein umfassendes verteiltes maschinelles Lernsystem auf.
(Über den Leser)
Für Datenanalysten, Datenwissenschaftler und Software-Ingenieure, die die Grundlagen von Algorithmen des maschinellen Lernens kennen und maschinelles Lernen in der Produktion einsetzen können. Die Leser sollten mit den Grundlagen von Bash, Python und Docker vertraut sein.
Über den Autor
Yuan Tang ist derzeit ein Gründungsingenieur bei Akuity. Zuvor war er Senior Software Engineer bei der Alibaba Group, wo er KI-Infrastruktur und AutoML-Plattformen auf Kubernetes aufbaute. Yuan ist Co-Vorsitzender von Kubeflow, Maintainer von Argo, TensorFlow, XGBoost und Apache MXNet. Er ist Co-Autor von TensorFlow in Practice und Autor der TensorFlow-Implementierung von Dive into Deep Learning.
Weitere Daten des Buches:
| ISBN: | 9781617299025 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2024 |
| Seitenzahl: | 375 |
Kauf:
Derzeit verfügbar, auf Lager.
