Avis des lecteurs
Résumé:Le livre est très apprécié pour son approche complète de la compréhension des MLOps et de l'apprentissage profond, en particulier pour ceux qui peuvent avoir des difficultés avec la mise en œuvre pratique dans le cloud. Il guide efficacement les lecteurs à travers un projet complet, en améliorant leurs connaissances de PyTorch et de l'apprentissage distribué sur AWS.
Avantages:Couverture approfondie des concepts de MLOps et d'apprentissage profond, orientation pratique du projet, utile pour le déploiement dans le cloud et l'utilisation de PyTorch, améliore la compréhension de la différenciation automatique, bénéfique pour les entretiens et les projets.
Inconvénients:Aucune mention explicite dans les commentaires.
(basé sur 2 avis de lecteurs)
Titre original :
Mlops Engineering at Scale
Contenu du livre :
Esquivez les tâches d'infrastructure coûteuses et chronophages, et mettez rapidement vos modèles d'apprentissage automatique en production avec MLOps et des outils serverless préconstruits !
Dans MLOps Engineering at Scale, vous apprendrez :
Extraire, transformer et charger des ensembles de données
Interroger des ensembles de données avec SQL
Comprendre la différenciation automatique dans PyTorch
Déployer des pipelines d'apprentissage de modèles en tant que point de terminaison de service
Surveiller et gérer le cycle de vie de votre pipeline
Mesurer les améliorations de performance
MLOps Engineering at Scale vous montre comment mettre l'apprentissage automatique en production de manière efficace en utilisant des services prédéfinis d'AWS et d'autres fournisseurs de cloud. Vous apprendrez à créer rapidement des systèmes d'apprentissage automatique flexibles et évolutifs sans avoir à vous préoccuper de tâches opérationnelles fastidieuses ou à assumer les frais généraux coûteux du matériel physique. En suivant un cas d'utilisation réel pour calculer les tarifs des taxis, vous concevrez un pipeline MLOps pour un modèle PyTorch en utilisant les capacités sans serveur d'AWS.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
Un système d'apprentissage automatique prêt pour la production comprend des pipelines de données efficaces, une surveillance intégrée et des moyens d'augmenter ou de réduire la capacité en fonction de la demande. L'utilisation de services basés sur le cloud pour mettre en œuvre l'infrastructure d'apprentissage automatique réduit le temps de développement et les coûts d'hébergement. Le MLOps sans serveur élimine le besoin de construire et de maintenir une infrastructure personnalisée, ce qui vous permet de vous concentrer sur vos données, vos modèles et vos algorithmes.
À propos du livre
MLOps Engineering at Scale vous apprend à mettre en œuvre des systèmes d'apprentissage automatique efficaces à l'aide de services préconstruits d'AWS et d'autres fournisseurs de cloud. Ce livre facile à suivre vous guide pas à pas dans la mise en place de votre infrastructure ML sans serveur, même si vous n'avez jamais utilisé de plateforme cloud auparavant. Vous explorerez également des outils tels que PyTorch Lightning, Optuna et MLFlow qui facilitent la construction de pipelines et la mise à l'échelle de vos modèles d'apprentissage profond en production.
Ce qu'il y a à l'intérieur
Réduire ou éliminer la gestion de l'infrastructure ML
Apprendre les outils MLOps de pointe comme PyTorch Lightning et MLFlow
Déployer des pipelines de formation en tant que point d'extrémité de service
Surveillez et gérez le cycle de vie de votre pipeline
Mesurer les améliorations de performance
À propos du lecteur
Les lecteurs doivent connaître Python, SQL et les bases de l'apprentissage automatique. Aucune expérience du cloud n'est requise.
À propos de l'auteur
Carl Osipov a mis en œuvre son premier réseau neuronal en 2000 et a travaillé sur l'apprentissage profond et l'apprentissage automatique chez Google et IBM.
Table des matières
PARTIE 1 - MAÎTRISER L'ENSEMBLE DES DONNÉES
1 Introduction à l'apprentissage automatique sans serveur
2 Démarrer avec l'ensemble de données
3 Exploration et préparation de l'ensemble de données
4 Plus d'analyses exploratoires et de préparation des données
PARTIE 2 - PYTORCH POUR L'APPRENTISSAGE AUTOMATIQUE SANS SERVEUR
5 Présentation de PyTorch : Notions de base sur les tenseurs
6 Le cœur de PyTorch : Autograd, optimiseurs et utilitaires
7 L'apprentissage automatique sans serveur à l'échelle
8 Mise à l'échelle avec l'apprentissage distribué
PARTIE 3 - PIPELINE D'APPRENTISSAGE AUTOMATIQUE SANS SERVEUR
9 Sélection des caractéristiques
10 Adoption de PyTorch Lightning
11 Optimisation des hyperparamètres
12 Pipeline d'apprentissage automatique
Autres informations sur le livre :
| ISBN : | 9781617297762 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2022 |
| Nombre de pages : | 250 |
Achat:
Actuellement disponible, en stock.
