91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
MLOps權(quán)威指南
MLOps權(quán)威指南
Noah Gift, Alfredo Deza 著
黃綠君, 高峰斌, 李杰 譯
出版時(shí)間：2023年04月
頁(yè)數(shù)：371
“MLOps對(duì)于將ML用例投入生產(chǎn)至關(guān)重要，因?yàn)楣驹絹?lái)越依賴ML來(lái)保持競(jìng)爭(zhēng)力。本書是MLOps的綜合指南，是所有機(jī)器學(xué)習(xí)從業(yè)人員的必讀之書籍?！?br /> ——Krishna Anumalasetty
微軟Azure首席項(xiàng)目經(jīng)理

將模型投入生產(chǎn)是機(jī)器學(xué)習(xí)面臨的基本挑戰(zhàn)，MLOps提供了一套經(jīng)過(guò)驗(yàn)證的原則，旨在以可靠和自動(dòng)化的方式解決這個(gè)問(wèn)題。本書將帶讀者了解MLOps是什么以及它與DevOps的區(qū)別，并展示如何將其付諸實(shí)踐以操作機(jī)器學(xué)習(xí)模型。
機(jī)器學(xué)習(xí)工程師或任何熟悉數(shù)據(jù)科學(xué)和Python的人將基于MLOps工具和方法（包括AutoML、監(jiān)控和日志記錄）構(gòu)建基礎(chǔ)，然后學(xué)習(xí)如何在AWS、微軟Azure和谷歌云中實(shí)現(xiàn)它們。讀者交付機(jī)器學(xué)習(xí)系統(tǒng)的速度越快，就越能專注于試圖解決的業(yè)務(wù)問(wèn)題。
本書將提供一個(gè)良好的開端，主要內(nèi)容包括：
● 將DevOps最佳實(shí)踐應(yīng)用于機(jī)器學(xué)習(xí)。
● 構(gòu)建生產(chǎn)機(jī)器學(xué)習(xí)系統(tǒng)并對(duì)其進(jìn)行維護(hù)。
● 監(jiān)控、測(cè)量、負(fù)載測(cè)試和操作機(jī)器學(xué)習(xí)系統(tǒng)。
● 為給定的機(jī)器學(xué)習(xí)任務(wù)選擇正確的MLOps工具。
● 在不同平臺(tái)和設(shè)備（包括手機(jī)和專用硬件）上運(yùn)行機(jī)器學(xué)習(xí)模型。
  1. 第1章 MLOps簡(jiǎn)介
  2. 1.1 機(jī)器學(xué)習(xí)工程師和MLOps的興起
  3. 1.2 什么是MLOps
  4. 1.3 DevOps和MLOps
  5. 1.4 MLOps需求層次
  6. 1.5 小結(jié)
  7. 練習(xí)題
  8. 獨(dú)立思考和討論
  9. 第2章 MLOps基礎(chǔ)
  10. 2.1 Bash和Linux命令行
  11. 2.2 云端shell開發(fā)環(huán)境
  12. 2.3 Bash shell和常用命令
  13. 2.4 云計(jì)算基礎(chǔ)和構(gòu)建模塊
  14. 2.5 云計(jì)算入門
  15. 2.6 Python速成課程
  16. 2.7 Python極簡(jiǎn)教程
  17. 2.8 程序員的數(shù)學(xué)速成課程
  18. 2.9 機(jī)器學(xué)習(xí)關(guān)鍵概念
  19. 2.10 開展數(shù)據(jù)科學(xué)工作
  20. 2.11 從零開始構(gòu)建一個(gè)MLOps管道
  21. 2.12 小結(jié)
  22. 練習(xí)題
  23. 獨(dú)立思考和討論
  24. 第3章 容器和邊緣設(shè)備的MLOps
  25. 3.1 容器
  26. 3.2 邊緣設(shè)備
  27. 3.3 托管機(jī)器學(xué)習(xí)系統(tǒng)的容器
  28. 3.4 小結(jié)
  29. 練習(xí)題
  30. 獨(dú)立思考和討論
  31. 第4章 機(jī)器學(xué)習(xí)模型的持續(xù)交付
  32. 4.1 機(jī)器學(xué)習(xí)模型打包
  33. 4.2 機(jī)器學(xué)習(xí)模型持續(xù)交付中的基礎(chǔ)設(shè)施即代碼
  34. 4.3 使用云管道
  35. 4.4 小結(jié)
  36. 練習(xí)題
  37. 獨(dú)立思考和討論
  38. 第5章 AutoML和KaizenML
  39. 5.1 AutoML
  40. 5.2 蘋果生態(tài)系統(tǒng)
  41. 5.3 谷歌的AutoML和邊緣計(jì)算機(jī)視覺(jué)
  42. 5.4 Azure的AutoML
  43. 5.5 AWS的AutoML
  44. 5.6 開源AutoML解決方案
  45. 5.7 模型可解釋性
  46. 5.8 小結(jié)
  47. 練習(xí)題
  48. 獨(dú)立思考和討論
  49. 第6章 監(jiān)控和日志
  50. 6.1 云MLOps的可觀測(cè)性
  51. 6.2 日志記錄簡(jiǎn)介
  52. 6.3 Python中的日志記錄
  53. 6.4 監(jiān)控及可觀測(cè)性
  54. 6.5 小結(jié)
  55. 練習(xí)題
  56. 獨(dú)立思考和討論
  57. 第7章 AWS的MLOps
  58. 7.1 AWS簡(jiǎn)介
  59. 7.2 AWS上的MLOps Cookbook
  60. 7.3 AWS Lambda方法
  61. 7.4 將AWS機(jī)器學(xué)習(xí)應(yīng)用于現(xiàn)實(shí)世界
  62. 7.5 小結(jié)
  63. 練習(xí)題
  64. 獨(dú)立思考和討論
  65. 第8章 Azure的MLOps
  66. 8.1 Azure CLI和Python SDK
  67. 8.2 身份認(rèn)證
  68. 8.3 計(jì)算實(shí)例
  69. 8.4部署
  70. 8.5 將模型部署到計(jì)算集群
  71. 8.6 部署問(wèn)題排查
  72. 8.7 Azure機(jī)器學(xué)習(xí)管道
  73. 8.8 機(jī)器學(xué)習(xí)生命周期
  74. 8.9 小結(jié)
  75. 練習(xí)題
  76. 獨(dú)立思考和討論
  77. 第9章 谷歌云平臺(tái)的MLOps
  78. 9.1 谷歌云平臺(tái)概覽
  79. 9.2 谷歌云平臺(tái)上的DataOps：應(yīng)用數(shù)據(jù)工程
  80. 9.3 機(jī)器學(xué)習(xí)模型運(yùn)維
  81. 9.4 小結(jié)
  82. 練習(xí)題
  83. 獨(dú)立思考和討論
  84. 第10章 機(jī)器學(xué)習(xí)互操作性
  85. 10.1 為什么互操作性至關(guān)重要
  86. 10.2 ONNX：開放式神經(jīng)網(wǎng)絡(luò)交換
  87. 10.3 蘋果的Core ML
  88. 10.4 邊緣集成
  89. 10.5 小結(jié)
  90. 練習(xí)題
  91. 獨(dú)立思考和討論
  92. 第11章 構(gòu)建MLOps命令行工具和微服務(wù)
  93. 11.1 Python打包
  94. 11.2 依賴文件
  95. 11.3 命令行工具
  96. 11.4 微服務(wù)
  97. 11.5 機(jī)器學(xué)習(xí)CLI工作流
  98. 11.6 小結(jié)
  99. 練習(xí)題
  100. 獨(dú)立思考和討論
  101. 第12章 機(jī)器學(xué)習(xí)工程和MLOps案例研究
  102. 12.1 在構(gòu)建機(jī)器學(xué)習(xí)模型時(shí)無(wú)知帶來(lái)的難以置信的收益
  103. 12.2 Sqor運(yùn)動(dòng)社交網(wǎng)絡(luò)中的MLOps工程
  104. 12.3 完美技術(shù)與現(xiàn)實(shí)世界
  105. 12.4 MLOps中的關(guān)鍵挑戰(zhàn)
  106. 12.5 實(shí)施MLOps的最終建議
  107. 12.6 小結(jié)
  108. 練習(xí)題
  109. 獨(dú)立思考和討論
  110. 附錄
  111. 附錄A 關(guān)鍵術(shù)語(yǔ)
  112. 附錄B 技術(shù)認(rèn)證
  113. 附錄C 遠(yuǎn)程工作
  114. 附錄D 像VC一樣思考你的職業(yè)生涯
  115. 附錄E 構(gòu)建MLOps技術(shù)組合
  116. 附錄F 數(shù)據(jù)科學(xué)案例研究：間歇性禁食
  117. 附錄G 附加的教育資源
  118. 附錄H 技術(shù)項(xiàng)目管理
書名：MLOps權(quán)威指南
作者：Noah Gift, Alfredo Deza 著
譯者：黃綠君, 高峰斌, 李杰 譯
國(guó)內(nèi)出版社：機(jī)械工業(yè)出版社
出版時(shí)間：2023年04月
頁(yè)數(shù)：371
書號(hào)：978-7-111-72421-6
原版書書名：Practical MLOps: Operationalizing Machine Learning Models
原版書出版商：O'Reilly Media
Noah Gift
 
Noah Gift是加州州立大學(xué)洛杉磯分校的CIS碩士、加州理工學(xué)院圣路易斯奧比斯波營(yíng)養(yǎng)學(xué)學(xué)士、Apple和LPI認(rèn)證系統(tǒng)管理員，曾就職于加州理工學(xué)院、迪斯尼動(dòng)畫公司、索尼圖像和Turner工作室。
在閑暇時(shí)間里，他喜歡與妻子Leah、兒子Liam一起彈鋼琴和做運(yùn)動(dòng)。
Noah Gift是Pragmatic A.I.實(shí)驗(yàn)室的創(chuàng)始人。他教授和設(shè)計(jì)研究生的機(jī)器學(xué)習(xí)、MLOps、人工智能和數(shù)據(jù)科學(xué)課程，并為幾所重點(diǎn)大學(xué)的學(xué)生和教師提供機(jī)器學(xué)習(xí)和云架構(gòu)方面的咨詢。
 
 
Alfredo Deza
 
Alfredo Deza是一位充滿激情的軟件工程師、演講者和作者，他還曾是奧運(yùn)會(huì)運(yùn)動(dòng)員，擁有近20年的DevOps和軟件工程經(jīng)驗(yàn)。他在全球范圍內(nèi)教授機(jī)器學(xué)習(xí)工程，并就技術(shù)和個(gè)人發(fā)展開展講座。
 
 
購(gòu)買選項(xiàng)
定價(jià)：139.00元
書號(hào)：978-7-111-72421-6
出版社：機(jī)械工業(yè)出版社