Avis des lecteurs
Résumé:Le livre fournit une introduction complète à Kubeflow et à son écosystème dans le contexte de l'apprentissage machine et du développement cloud-native. Il est apprécié pour sa structure organisée, son contenu précieux et ses exemples pratiques, ce qui en fait une ressource appropriée pour ceux qui découvrent Kubeflow. Cependant, certains utilisateurs ont estimé qu'il pouvait être confus dans certaines parties et ont noté des problèmes de contenu obsolète et de qualité d'impression.
Avantages:⬤ Vue d'ensemble complète de Kubeflow
⬤ bien organisée et structurée
⬤ bons exemples d'utilisation pratique
⬤ utile pour les débutants et ceux qui ont une certaine expérience
⬤ aide à comprendre les pipelines de déploiement
⬤ prix raisonnable.
⬤ Ton incohérent entre les chapitres
⬤ certains contenus sont obsolètes
⬤ images/code en noir et blanc dans la version imprimée
⬤ certains lecteurs ont trouvé qu'il se lisait plus comme une documentation que comme un livre
⬤ pas recommandé pour les débutants absolus sans connaissance préalable de Kubernetes ou d'outils d'apprentissage automatique.
(basé sur 9 avis de lecteurs)
Titre original :
Kubeflow for Machine Learning: From Lab to Production
Contenu du livre :
Si vous êtes en train de former un modèle d'apprentissage automatique mais que vous ne savez pas comment le mettre en production, ce livre vous y aidera. Kubeflow fournit une collection d'outils cloud natifs pour les différentes étapes du cycle de vie d'un modèle, depuis l'exploration des données, la préparation des fonctionnalités et l'entraînement des modèles jusqu'à la mise à disposition des modèles. Ce guide aide les data scientists à construire des implémentations de machine learning de niveau production avec Kubeflow et montre aux data engineers comment rendre les modèles évolutifs et fiables.
En utilisant des exemples tout au long du livre, les auteurs Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu, et Boris Lublinsky expliquent comment utiliser Kubeflow pour former et servir vos modèles d'apprentissage automatique sur Kubernetes dans le cloud ou dans un environnement de développement sur site.
⬤ Comprendre la conception de Kubeflow, ses composants principaux et les problèmes qu'il résout.
⬤ Comprendre les différences entre Kubeflow sur différents types de clusters.
⬤ Entraîner des modèles en utilisant Kubeflow avec des outils populaires tels que Scikit-learn, TensorFlow, et Apache Spark.
⬤ Maintenir votre modèle à jour avec Kubeflow Pipelines.
⬤ Comprendre comment capturer les métadonnées d'entraînement du modèle.
⬤ Explorer comment étendre Kubeflow avec des outils open source supplémentaires.
⬤ Utiliser le réglage des hyperparamètres pour l'entraînement.
⬤ Apprendre à servir votre modèle en production.
Autres informations sur le livre :
| ISBN : | 9781492050124 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 130 |
Achat:
Actuellement disponible, en stock.
