Avis des lecteurs
Résumé:Ce livre fournit un guide complet pour la mise en œuvre des opérations d'apprentissage automatique (MLOps) à l'aide de Metaflow, en combinant des idées théoriques avec des exemples pratiques et concrets visant à construire des flux de travail évolutifs dans le domaine de la science des données.
Avantages:⬤ Des exemples et des projets pratiques qui enseignent efficacement l'infrastructure MLOps à l'aide de Metaflow.
⬤ Des explications claires des concepts, rendant l'ouvrage accessible même à ceux qui n'ont pas d'expérience en MLOps.
⬤ Un bon équilibre entre la théorie et la pratique, avec un accent sur les applications pratiques et les cas d'utilisation du monde réel.
⬤ Des éléments humoristiques et des illustrations attrayantes améliorent l'expérience de lecture.
⬤ Fournit des informations précieuses qui vont au-delà de la documentation officielle de Metaflow.
⬤ Le livre se concentre principalement sur Metaflow, ce qui peut limiter son applicabilité pour ceux qui recherchent une perspective plus large sur les MLOps sans utiliser Metaflow.
⬤ Certains lecteurs peuvent avoir besoin de ressources supplémentaires en dehors du livre pour configurer l'infrastructure Metaflow, car certaines configurations ne sont couvertes que dans la documentation externe.
(basé sur 7 avis de lecteurs)
Titre original :
Effective Data Science Infrastructure: How to Make Data Scientists Productive
Contenu du livre :
Simplifier l'infrastructure de la science des données pour donner aux scientifiques des données un chemin efficace du prototype à la production.
Dans Une infrastructure efficace pour la science des données, vous apprendrez à :
Concevoir une infrastructure de science des données qui stimule la productivité.
Gérer le calcul et l'orchestration dans le cloud.
Déployer l'apprentissage automatique en production.
Contrôler et gérer les performances et les résultats.
Combiner des outils basés sur le cloud dans un environnement de science des données cohérent.
Développer des projets de science des données reproductibles en utilisant Metaflow, Conda et Docker.
Architecturer des applications complexes pour plusieurs équipes et de grands ensembles de données.
Personnaliser et développer l'infrastructure de science des données.
Une infrastructure efficace pour la science des données : Comment rendre les scientifiques des données plus productifs est un guide pratique sur la mise en place d'une infrastructure pour les applications de science des données et d'apprentissage automatique. Il révèle les processus utilisés par Netflix et d'autres entreprises axées sur les données pour gérer leur infrastructure de données de pointe. Vous y maîtriserez des techniques évolutives de stockage des données, de calcul, de suivi des expériences et d'orchestration qui sont pertinentes pour les entreprises de toutes formes et de toutes tailles. Vous apprendrez comment rendre les data scientists plus productifs grâce à votre infrastructure cloud existante, à une pile de logiciels open source et à un langage Python idiomatique.
L'auteur fait don des recettes de ce livre à des organisations caritatives qui soutiennent les femmes et les groupes sous-représentés dans le domaine de la science des données.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie.
Faire passer les projets de science des données du stade du prototype à celui de la production nécessite une infrastructure fiable. En utilisant les nouvelles techniques et outils puissants présentés dans ce livre, vous pouvez mettre en place une pile d'infrastructure qui s'adaptera à n'importe quelle organisation, des startups aux plus grandes entreprises.
À propos du livre.
Effective Data Science Infrastructure vous apprend à construire des pipelines de données et des flux de travail de projet qui vont dynamiser les scientifiques des données et leurs projets. Basé sur des outils et des concepts de pointe qui alimentent les opérations de données de Netflix, ce livre présente une approche personnalisable basée sur le cloud pour le développement de modèles et les MLOps que vous pouvez facilement adapter aux besoins spécifiques de votre entreprise. En déployant ces processus pratiques, vos équipes produiront des résultats meilleurs et plus rapides lorsqu'elles appliqueront la science des données et l'apprentissage automatique à un large éventail de problèmes commerciaux.
Ce qu'il y a à l'intérieur.
Gérer le calcul et l'orchestration dans le cloud.
Combiner des outils basés sur le cloud dans un environnement de science des données cohérent.
Développer des projets de science des données reproductibles en utilisant Metaflow, AWS et l'écosystème de données Python.
Architecturer des applications complexes qui nécessitent de grands ensembles de données et de modèles, ainsi qu'une équipe de data scientists.
À propos du lecteur.
Pour les ingénieurs d'infrastructure et les data scientists soucieux d'ingénierie qui sont familiers avec Python.
À propos de l'auteur.
Chez Netflix, Ville Tuulos a conçu et développé Metaflow, un framework complet pour la science des données. Il est actuellement PDG d'une startup spécialisée dans l'infrastructure de la science des données.
Table des matières.
1 Présentation de l'infrastructure de la science des données.
2 La chaîne d'outils de la science des données.
3 Présentation de Metaflow.
4 Mise à l'échelle avec la couche de calcul.
5 Pratiquer l'évolutivité et la performance.
6 Passer à la production.
7 Traiter les données.
8 Utiliser et exploiter des modèles.
9 L'apprentissage automatique avec la pile complète.
Autres informations sur le livre :
| ISBN : | 9781617299193 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2022 |
| Nombre de pages : | 325 |
Achat:
Actuellement disponible, en stock.
