Machine Learning Engineering with Python - Deuxième édition : Gérer le cycle de vie des modèles d'apprentissage automatique à l'aide de MLOps avec des exemples pratiques

Avis des lecteurs

Résumé:

Le livre « Machine Learning Engineering with Python » est un guide complet pour les praticiens qui cherchent à améliorer leurs compétences en MLOps et à comprendre le cycle de vie des modèles d'apprentissage automatique. Il combine efficacement des concepts théoriques avec des exemples pratiques sur différents sujets, ce qui le rend adapté aux lecteurs de différents niveaux d'expertise, bien qu'une certaine connaissance de base soit recommandée.

Avantages:

Contenu bien structuré, couverture complète des concepts de ML, exemples pratiques, adapté à différents niveaux de compétences, bonnes explications, inclut des outils et des technologies modernes (comme les LLM, AWS et Kubernetes), et se concentre sur les pratiques MLOps critiques. Facile à digérer et engageant pour ceux qui cherchent à appliquer le ML dans des contextes réels.

Inconvénients:

Pas idéal pour les débutants complets ; une connaissance préalable de Python et des concepts ML de base est nécessaire. Certains contenus peuvent devenir rapidement obsolètes en raison de l'évolution rapide du domaine. Manque d'exploration en profondeur de certains sujets avancés et pourrait intégrer plus d'études de cas pratiques, en particulier dans des domaines tels que l'IA générative. L'accent est mis sur les meilleures pratiques de génie logiciel plutôt que sur la théorie ML approfondie.

(basé sur 25 avis de lecteurs)

Titre original :

Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples

Contenu du livre :

Transformez vos projets d'apprentissage automatique en déploiements réussis grâce à ce guide pratique sur la façon de construire et de mettre à l'échelle des solutions qui résolvent les problèmes du monde réel.

Inclut un nouveau chapitre sur l'IA générative et les grands modèles de langage (LLM) et la construction d'un pipeline qui exploite les LLM à l'aide de LangChain.

Caractéristiques principales :

⬤ Cette deuxième édition approfondit les sujets clés de l'apprentissage automatique, du CI/CD et de la conception de systèmes.

⬤ Cette deuxième édition approfondit les sujets clés de l'apprentissage automatique, le CI/CD et la conception de systèmes.

⬤ Cette deuxième édition approfondit les sujets clés de l'apprentissage automatique, le CI/CD et la conception de systèmes.

Description du livre :

Machine Learning Engineering with Python, 2e édition, est le guide pratique dont les ingénieurs MLOps et ML ont besoin pour construire des solutions robustes afin de résoudre les problèmes du monde réel, en vous fournissant les compétences et les connaissances dont vous avez besoin pour rester en tête dans ce domaine en évolution rapide.

Le livre adopte une approche pratique, axée sur les exemples, qui fournit des concepts techniques essentiels, des modèles de mise en œuvre et des méthodologies de développement. Vous passerez de la compréhension des étapes clés du cycle de vie du développement de l'apprentissage automatique à la construction et au déploiement de solutions d'apprentissage automatique robustes. Une fois que vous aurez maîtrisé les bases, vous pourrez vous familiariser avec les architectures de déploiement et découvrir des méthodes pour mettre à l'échelle vos solutions.

Cette édition va plus loin dans l'ingénierie de l'apprentissage automatique et les MLOps, avec un accent plus marqué sur l'apprentissage automatique. Vous pousserez plus loin le CI/CD avec la formation et les tests continus et approfondirez la dérive des données et des concepts.

Avec un nouveau chapitre sur l'IA générative, vous explorerez Hugging Face, PyTorch et GitHub Copilot, et consommerez un LLM via une API à l'aide de LangChain. Vous couvrirez également les considérations relatives à l'apprentissage profond en ce qui concerne le flux de travail, le matériel et la mise à l'échelle des charges de travail, ainsi que l'orchestration des flux de travail avec Airlfow et Kafka. Vous tirerez également parti de ZenML en tant qu'option open-source pour le pipelining des flux de données, et vous irez plus loin dans le déploiement avec les déploiements canary, blue et green.

Ce que vous apprendrez

⬤ Planifier et gérer les étapes des projets de développement de l'apprentissage automatique.

⬤ Explorer les ANNs, DNNs et LLMs, et se familiariser avec la montée de l'IA générative dans les MLOps.

⬤ Utiliser Python pour packager vos propres outils de ML et mettre à l'échelle des solutions avec Apache Spark, Kubernetes et Apache Airflow.

⬤ Utilisez AutoML pour le réglage des hyperparamètres.

⬤ Détectez les dérives et intégrez des mécanismes robustes dans vos solutions.

⬤ Les solutions de gestion des erreurs sont optimisées grâce à des flux de contrôle robustes et à l'analyse des vulnérabilités.

⬤ Héberger et construire un microservice de ML à l'aide d'AWS et de Flask.

A qui s'adresse ce livre :

Ce livre est conçu pour les ingénieurs MLOps et ML, les data scientists et les développeurs de logiciels qui veulent construire des solutions robustes qui utilisent l'apprentissage automatique pour résoudre les problèmes du monde réel. Si vous n'êtes pas développeur mais que vous souhaitez gérer ou comprendre le cycle de vie de ces systèmes, ce livre vous sera également utile. Il suppose une connaissance de base des concepts de l'apprentissage automatique et une expérience intermédiaire de la programmation en Python. En mettant l'accent sur les compétences pratiques et les exemples du monde réel, ce livre est une ressource essentielle pour tous ceux qui cherchent à faire progresser leur carrière d'ingénieur en apprentissage automatique.

Autres informations sur le livre :

• ISBN : 9781837631964
• Auteur : Andrew McMahon
• Éditeur : Packt Pub
• Langue : anglais
• Reliure : Broché