Avis des lecteurs
Résumé:Le livre fournit une vue d'ensemble de très haut niveau des concepts MLOps, mais manque de profondeur et de conseils pratiques de mise en œuvre. Bien que certains évaluateurs aient trouvé de la valeur à son organisation et à sa nature introductive, beaucoup l'ont critiqué comme étant trop simpliste, pas assez perspicace et disponible gratuitement ailleurs. Le matériel est décrit comme étant précipité et manquant de solutions concrètes, ce qui le rend inadapté aux professionnels expérimentés dans l'apprentissage automatique.
Avantages:⬤ Structure organisée ; facile à suivre.
⬤ Offre une vue d'ensemble de haut niveau des concepts MLOps.
⬤ Pourrait être utile aux débutants absolus en ML/DS.
⬤ Très introductif ; manque de profondeur et de solutions concrètes.
⬤ Le contenu pourrait être trouvé par une simple recherche sur Google.
⬤ Prix excessif par rapport à la quantité de contenu fourni.
⬤ Pas utile pour ceux qui ont des connaissances préalables en MLOps.
⬤ Le matériel est disponible gratuitement sur leur site web et est de meilleure qualité.
(basé sur 9 avis de lecteurs)
Titre original :
Introducing Mlops: How to Scale Machine Learning in the Enterprise
Contenu du livre :
Plus de la moitié des modèles d'analyse et d'apprentissage automatique (ML) créés par les organisations aujourd'hui ne sont jamais mis en production. Certains des défis et des obstacles à l'opérationnalisation sont d'ordre technique, mais d'autres sont d'ordre organisationnel. Quoi qu'il en soit, l'essentiel est que les modèles qui ne sont pas en production ne peuvent pas avoir d'impact sur l'entreprise.
Ce livre présente les concepts clés des MLOps afin d'aider les data scientists et les ingénieurs d'application non seulement à opérationnaliser les modèles de ML pour conduire de réels changements commerciaux, mais aussi à maintenir et à améliorer ces modèles au fil du temps. Grâce à des leçons basées sur de nombreuses applications MLOps à travers le monde, neuf experts en apprentissage automatique donnent un aperçu des cinq étapes du cycle de vie du modèle (construction, préproduction, déploiement, surveillance et gouvernance) et expliquent comment des processus MLOps solides peuvent être mis en place tout au long du cycle de vie.
Ce livre vous aide à :
⬤ Réaliser la valeur de la science des données en réduisant les frictions dans les pipelines et les flux de travail de ML.
⬤ Affiner les modèles de ML par le biais d'un recyclage, d'une mise au point périodique et d'une refonte complète pour garantir la précision à long terme.
⬤ Vous avez la possibilité d'utiliser les services d'une société de conseil et d'un cabinet d'avocats pour vous aider dans votre travail.
⬤ Exploiter les modèles de ML pour le déploiement du pipeline et pour les systèmes d'entreprise externes qui sont plus complexes et moins standardisés.
Autres informations sur le livre :
| ISBN : | 9781492083290 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 150 |
Achat:
Actuellement disponible, en stock.
