L'ingénierie de l'apprentissage automatique avec MLflow : Gérer le cycle de vie de l'apprentissage automatique de bout en bout avec MLflow

Avis des lecteurs

Résumé:

Dans l'ensemble, le livre sur MLflow reçoit des critiques mitigées. Beaucoup apprécient sa vue d'ensemble et ses exemples pratiques, ce qui le rend particulièrement utile pour les praticiens intermédiaires ou avancés qui cherchent à gérer les cycles de vie de l'apprentissage automatique. Cependant, la qualité de l'écriture laisse à désirer, il contient des fautes de frappe et certains exemples de code posent problème. Bien qu'il offre des informations précieuses, certains lecteurs ont eu des difficultés à déboguer le code et ont noté le manque de couverture pour les données non structurées.

Avantages:

⬤ Aperçu complet de MLflow et de ses fonctionnalités.
⬤ Des exemples pratiques et des exercices avec Docker.
⬤ Contenu bien structuré et facile à suivre pour ceux qui ont des connaissances préalables.
⬤ Utile pour comprendre le cycle de vie du ML et les meilleures pratiques.
⬤ Bon pour les praticiens de ML de niveau moyen à avancé.

Inconvénients:

⬤ Qualité d'écriture médiocre et présence de fautes de frappe tout au long de l'ouvrage.
⬤ Certains exemples de code ne fonctionnent pas comme prévu, ce qui entraîne des problèmes de débogage.
⬤ Pas adapté aux débutants ; nécessite une connaissance préalable de la ML et des outils associés.
⬤ Couverture limitée des cas d'utilisation des données non structurées.
⬤ Inquiétudes quant à la fiabilité du dépôt GitHub d'accompagnement.

(basé sur 15 avis de lecteurs)

Titre original :

Machine Learning Engineering with MLflow: Manage the end-to-end machine learning life cycle with MLflow

Contenu du livre :

Soyez opérationnel et productif en un rien de temps avec MLflow en utilisant l'approche d'ingénierie de l'apprentissage automatique la plus efficace.

Caractéristiques principales :

⬤ Explorer les workflows d'apprentissage automatique pour énoncer les problèmes d'apprentissage automatique de manière concise et claire à l'aide de MLflow.

⬤ Utilisez MLflow pour développer de manière itérative un modèle d'apprentissage automatique et le gérer.

⬤ Les fonctionnalités de MLflow permettent de faire passer un modèle de la phase de développement à un environnement de production de manière transparente.

Description du livre :

MLflow est une plateforme pour le cycle de vie de l'apprentissage automatique qui permet le développement structuré et l'itération des modèles d'apprentissage automatique et une transition transparente vers des environnements de production évolutifs.

Ce livre vous fera découvrir les différentes fonctionnalités de MLflow et la manière dont vous pouvez les mettre en œuvre dans votre projet de ML. Vous commencerez par formuler un problème de ML, puis vous transformerez votre solution avec MLflow, en ajoutant un environnement de travail, une infrastructure de formation, une gestion des données, une gestion des modèles, une expérimentation et des techniques de pointe pour le déploiement de ML sur le cloud et dans les locaux. Le livre explore également les techniques de mise à l'échelle de votre flux de travail ainsi que les techniques de contrôle des performances. Au fur et à mesure de votre progression, vous découvrirez comment créer un tableau de bord opérationnel pour gérer les systèmes d'apprentissage automatique. Plus tard, vous apprendrez comment utiliser MLflow dans le contexte de l'AutoML, de la détection d'anomalies et de l'apprentissage profond à l'aide de cas d'utilisation. En outre, vous comprendrez comment utiliser les plateformes d'apprentissage automatique pour le développement local ainsi que pour les environnements en nuage et gérés. Ce livre vous montrera également comment utiliser MLflow dans des langages non basés sur Python tels que R et Java, tout en couvrant les approches pour étendre MLflow avec des plugins.

A la fin de ce livre sur l'apprentissage automatique, vous serez capable de produire et de déployer des algorithmes d'apprentissage automatique fiables en utilisant MLflow dans de multiples environnements.

Ce que vous apprendrez :

⬤ Développer votre projet d'apprentissage machine localement avec les différentes fonctionnalités de MLflow.

⬤ Mettre en place un serveur de suivi MLflow centralisé pour gérer plusieurs expériences MLflow.

⬤ Créer un cycle de vie de modèle avec MLflow en créant des modèles personnalisés.

⬤ Utiliser les flux de fonctionnalités pour enregistrer les résultats des modèles avec MLflow.

⬤ Développer l'infrastructure complète du pipeline de formation en utilisant les fonctionnalités de MLflow.

⬤ Mettre en place un pipeline API basé sur l'inférence et un pipeline batch dans MLflow.

⬤ Mettre à l'échelle de grands volumes de données en intégrant MLflow avec des librairies big data de haute performance.

A qui s'adresse ce livre :

Ce livre s'adresse aux data scientists, aux ingénieurs en apprentissage automatique et aux ingénieurs de données qui souhaitent acquérir une expérience pratique de l'ingénierie de l'apprentissage automatique et apprendre comment gérer un cycle de vie d'apprentissage automatique de bout en bout avec l'aide de MLflow. Une connaissance intermédiaire du langage de programmation Python est attendue.

Autres informations sur le livre :

• ISBN : 9781800560796
• Auteur : Natu Lauchande
• Éditeur : Packt Pub
• Reliure : Broché