Ingegneria dell'apprendimento automatico con MLflow: Gestire il ciclo di vita dell'apprendimento automatico end-to-end con MLflow

Recensioni dei lettori

Nel complesso, il libro su MLflow riceve recensioni contrastanti. Molti apprezzano la panoramica completa e gli esempi pratici, che lo rendono particolarmente utile per i professionisti di livello intermedio e avanzato che cercano di gestire i cicli di vita dell'apprendimento automatico. Tuttavia, il libro ha problemi di qualità di scrittura, contiene errori di battitura e ha problemi con alcuni esempi di codice. Sebbene offra spunti preziosi, alcuni lettori hanno avuto difficoltà a eseguire il debug del codice e hanno notato la mancanza di copertura per i dati non strutturati.

⬤ Panoramica completa di MLflow e delle sue funzionalità.
⬤ Esempi pratici ed esercizi pratici con Docker.
⬤ Contenuti ben strutturati e facili da seguire per chi ha conoscenze pregresse.
⬤ Utile per comprendere il ciclo di vita di ML e le migliori pratiche.
⬤ Buono per i praticanti di ML di livello medio-avanzato.

⬤ Scarsa qualità di scrittura e presenza di errori di battitura.
⬤ Alcuni esempi di codice non funzionano come previsto, con conseguenti problemi di debug.
⬤ Non adatto ai principianti; richiede una conoscenza preliminare del ML e degli strumenti correlati.
⬤ Copertura limitata dei casi d'uso dei dati non strutturati.
⬤ Perplessità sull'affidabilità del repository GitHub allegato.

(basato su 15 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Diventa operativo e produttivo in pochissimo tempo con MLflow utilizzando il più efficace approccio ingegneristico all'apprendimento automatico.

Caratteristiche principali:

⬤ Esplorate i flussi di lavoro dell'apprendimento automatico per risolvere i problemi di ML in modo conciso e chiaro con MLflow.

⬤ Utilizzare MLflow per sviluppare iterativamente un modello di ML e gestirlo.

⬤ Scoprire e utilizzare le funzionalità disponibili in MLflow per portare un modello dalla fase di sviluppo all'ambiente di produzione.

Descrizione del libro:

MLflow è una piattaforma per il ciclo di vita dell'apprendimento automatico che consente lo sviluppo strutturato e l'iterazione di modelli di apprendimento automatico e una transizione senza soluzione di continuità in ambienti di produzione scalabili.

Questo libro illustra le diverse funzionalità di MLflow e le modalità di implementazione nel vostro progetto di ML. Inizierete con l'inquadrare un problema di ML e poi trasformerete la vostra soluzione con MLflow, aggiungendo un ambiente di lavoro, un'infrastruttura di formazione, la gestione dei dati, la gestione dei modelli, la sperimentazione e le più moderne tecniche di implementazione del ML su cloud e locali. Il libro esplora anche le tecniche per scalare il flusso di lavoro e le tecniche di monitoraggio delle prestazioni. Man mano che si procede, si scoprirà come creare un cruscotto operativo per gestire i sistemi di apprendimento automatico. In seguito, imparerete come utilizzare MLflow nel contesto dell'AutoML, del rilevamento di anomalie e del deep learning con l'aiuto di casi d'uso. Inoltre, capirete come utilizzare le piattaforme di apprendimento automatico per lo sviluppo locale e per gli ambienti cloud e gestiti. Questo libro vi mostrerà anche come utilizzare MLflow in linguaggi non basati su Python come R e Java, oltre a descrivere gli approcci per estendere MLflow con i plugin.

Alla fine di questo libro sull'apprendimento automatico, sarete in grado di produrre e distribuire algoritmi di apprendimento automatico affidabili utilizzando MLflow in diversi ambienti.

Che cosa imparerete?

⬤ Sviluppate il vostro progetto di apprendimento automatico localmente con le diverse funzionalità di MLflow.

⬤ Impostare un server di tracciamento MLflow centralizzato per gestire più esperimenti MLflow.

⬤ Creare un ciclo di vita del modello con MLflow creando modelli personalizzati.

⬤ Utilizzare i flussi di funzionalità per registrare i risultati dei modelli con MLflow.

⬤ Sviluppare l'infrastruttura completa della pipeline di addestramento utilizzando le funzionalità di MLflow.

⬤ Impostare una pipeline API basata sull'inferenza e una pipeline batch in MLflow.

⬤ Scalare grandi volumi di dati integrando MLflow con librerie di big data ad alte prestazioni.

A chi è rivolto questo libro:

Questo libro si rivolge a data scientist, ingegneri dell'apprendimento automatico e ingegneri dei dati che desiderano acquisire esperienza pratica nell'ingegneria dell'apprendimento automatico e imparare a gestire un ciclo di vita end-to-end dell'apprendimento automatico con l'aiuto di MLflow. È richiesta una conoscenza di livello intermedio del linguaggio di programmazione Python.