Avis des lecteurs
Résumé:Le livre est très apprécié pour son approche pratique de l'apprentissage des MLOps et de l'architecture des systèmes d'IA en production. Il propose des exercices pratiques et des bonnes pratiques, notamment en utilisant TensorFlow, Kubernetes et Kubeflow. De nombreux lecteurs ont trouvé les idées sur l'entraînement distribué et les modèles de service de modèle particulièrement utiles.
Avantages:Des exercices pratiques, d'excellentes explications sur l'apprentissage automatique distribué, des exemples pratiques et des exercices de codage, des chapitres perspicaces sur l'architecture et les flux de travail, et un projet complet de bout en bout. Le livre est attrayant et bien écrit, rendant des sujets complexes plus accessibles.
Inconvénients:Le livre ne couvre pas PyTorch, ce qui peut limiter son applicabilité pour ceux qui souhaitent spécifiquement apprendre ce framework. Certains chapitres peuvent être difficiles pour les débutants complets sans connaissances préalables des fondamentaux de l'apprentissage automatique et des outils d'orchestration de conteneurs tels que Docker et Kubernetes.
(basé sur 3 avis de lecteurs)
Titre original :
Distributed Machine Learning Patterns
Contenu du livre :
Les modèles pratiques pour faire passer l'apprentissage automatique de votre ordinateur portable à un cluster distribué.
Dans Distributed Machine Learning Patterns, vous apprendrez à :
Appliquer des modèles de systèmes distribués pour construire des projets d'apprentissage automatique évolutifs et fiables.
Construire des pipelines d'apprentissage automatique avec l'ingestion de données, l'entraînement distribué, le service de modèles, et plus encore.
Automatiser les tâches d'apprentissage automatique avec Kubernetes, TensorFlow, Kubeflow et Argo Workflows.
Faites des compromis entre différents modèles et approches.
Gérer et surveiller les charges de travail d'apprentissage automatique à l'échelle.
Distributed Machine Learning Patterns vous apprend à faire évoluer les modèles d'apprentissage automatique de votre ordinateur portable vers de grands clusters distribués. Vous y apprendrez à appliquer des modèles de systèmes distribués établis à des projets d'apprentissage automatique et explorerez également de nouveaux modèles spécifiques à l'apprentissage automatique. Fermement ancré dans le monde réel, ce livre démontre comment appliquer les modèles à l'aide d'exemples basés sur TensorFlow, Kubernetes, Kubeflow et Argo Workflows. Des scénarios réels, des projets pratiques et des techniques DevOps claires et pratiques vous permettent de lancer, de gérer et de surveiller facilement des pipelines d'apprentissage machine distribués et natifs du cloud.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
La mise à l'échelle des modèles à partir de dispositifs autonomes vers de grands clusters distribués est l'un des plus grands défis auxquels sont confrontés les praticiens modernes de l'apprentissage automatique. La distribution des systèmes d'apprentissage automatique permet aux développeurs de traiter des ensembles de données extrêmement volumineux sur plusieurs clusters, de tirer parti d'outils d'automatisation et de bénéficier d'accélérations matérielles. Dans ce livre, le co-président de Kubeflow Yuan Tang partage les modèles, les techniques et l'expérience acquise au cours des années passées à construire et à gérer une infrastructure d'apprentissage automatique distribuée de pointe.
À propos du livre
Distributed Machine Learning Patterns est rempli de modèles pratiques pour l'exécution de systèmes d'apprentissage automatique sur des clusters Kubernetes distribués dans le cloud. Chaque modèle est conçu pour aider à résoudre les défis communs rencontrés lors de la construction de systèmes d'apprentissage machine distribués, y compris la prise en charge de l'entraînement des modèles distribués, la gestion des défaillances inattendues et le trafic de service de modèle dynamique. Des scénarios réels fournissent des exemples clairs sur la façon d'appliquer chaque modèle, ainsi que les compromis potentiels pour chaque approche. Une fois que vous aurez maîtrisé ces techniques de pointe, vous les mettrez en pratique et terminerez par la construction d'un système d'apprentissage automatique distribué complet.
A propos du lecteur
Pour les analystes de données, les scientifiques de données et les ingénieurs logiciels qui connaissent les bases des algorithmes d'apprentissage automatique et de l'exécution de l'apprentissage automatique en production. Les lecteurs doivent connaître les bases de Bash, Python et Docker.
À propos de l'auteur
Yuan Tang est actuellement ingénieur fondateur chez Akuity. Auparavant, il était ingénieur logiciel senior chez Alibaba Group, construisant une infrastructure d'IA et des plateformes AutoML sur Kubernetes. Yuan est coprésident de Kubeflow, mainteneur d'Argo, de TensorFlow, de XGBoost et d'Apache MXNet. Il est le co-auteur de TensorFlow in Practice et l'auteur de l'implémentation TensorFlow de Dive into Deep Learning.
Autres informations sur le livre :
| ISBN : | 9781617299025 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2024 |
| Nombre de pages : | 375 |
Achat:
Actuellement disponible, en stock.
