Ingegneria dell'apprendimento automatico con Python - Seconda edizione: Gestire il ciclo di vita dei modelli di apprendimento automatico utilizzando MLOps con esempi pratici

Recensioni dei lettori

Il libro “Machine Learning Engineering with Python” è una guida completa per i professionisti che desiderano migliorare le proprie competenze in MLOps e comprendere il ciclo di vita dei modelli di apprendimento automatico. Combina efficacemente concetti teorici ed esempi pratici su vari argomenti, rendendolo adatto a lettori di diversi livelli di competenza, anche se si raccomanda una certa conoscenza di base.

Contenuto ben strutturato, copertura completa dei concetti di ML, esempi pratici, adatto a vari livelli di competenza, buone spiegazioni, include strumenti e tecnologie moderne (come LLM, AWS e Kubernetes) e si concentra sulle pratiche critiche di MLOps. Facilmente digeribile e coinvolgente per chi vuole applicare il ML in contesti reali.

Non è ideale per i principianti assoluti; è necessaria una conoscenza preliminare di Python e dei concetti base di ML. Alcuni contenuti possono diventare rapidamente obsoleti a causa del ritmo incalzante del settore. Manca l'approfondimento di alcuni argomenti avanzati e potrebbe integrare casi di studio più pratici, soprattutto in aree come l'IA generativa. L'attenzione tende a concentrarsi sulle migliori pratiche di ingegneria del software piuttosto che sulla teoria approfondita del ML.

(basato su 25 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Trasforma i tuoi progetti di apprendimento automatico in implementazioni di successo con questa guida pratica su come costruire e scalare soluzioni che risolvono problemi del mondo reale.

Include un nuovo capitolo sull'IA generativa e sui modelli linguistici di grandi dimensioni (LLM) e sulla costruzione di una pipeline che sfrutta gli LLM utilizzando LangChain.

Caratteristiche principali:

⬤ Questa seconda edizione approfondisce gli argomenti chiave dell'apprendimento automatico, del CI/CD e della progettazione del sistema.

⬤ Esplora le pratiche MLOps fondamentali, come la gestione dei modelli e il monitoraggio delle prestazioni.

⬤ Costruisce esempi end-to-end di microservizi e pipeline di ML distribuibili utilizzando AWS e strumenti open-source.

Descrizione del libro:

Machine Learning Engineering with Python, 2nd Edition, è la guida pratica di cui gli ingegneri MLOps e ML hanno bisogno per costruire soluzioni robuste per risolvere i problemi del mondo reale, fornendo le competenze e le conoscenze necessarie per rimanere all'avanguardia in questo campo in rapida evoluzione.

Il libro adotta un approccio pratico e incentrato sugli esempi, fornendo concetti tecnici essenziali, modelli di implementazione e metodologie di sviluppo. Si passa dalla comprensione delle fasi chiave del ciclo di vita dello sviluppo dell'apprendimento automatico alla costruzione e al deployment di solide soluzioni di apprendimento automatico. Una volta acquisita la padronanza delle nozioni di base, si passerà alla pratica delle architetture di implementazione e si scopriranno i metodi per scalare le proprie soluzioni.

Questa edizione approfondisce l'ingegneria ML e MLOps, con una maggiore attenzione al ML. Si approfondisce il CI/CD con l'addestramento e il test continui e si approfondisce la deriva dei dati e dei concetti.

Con un nuovo capitolo sull'IA generativa, esplorerete Hugging Face, PyTorch e GitHub Copilot e consumerete un LLM tramite un'API utilizzando LangChain. Verranno inoltre affrontate considerazioni sul deep learning relative al flusso di lavoro, all'hardware e alla scalabilità dei carichi di lavoro, oltre all'orchestrazione dei flussi di lavoro con Airlfow e Kafka. Si potrà inoltre sfruttare ZenML come opzione open-source per il pipelining dei flussi di dati e approfondire l'implementazione con le distribuzioni canary, blue e green.

Che cosa imparerete?

⬤ Pianificare e gestire le fasi dei progetti di sviluppo dell'apprendimento automatico.

⬤ Esplorare le RNA, le DNN e le LLM e affrontare l'ascesa dell'IA generativa negli MLOp.

⬤ Utilizzare Python per confezionare i propri strumenti di ML e scalare le soluzioni con Apache Spark, Kubernetes e Apache Airflow.

⬤ Usate AutoML per la regolazione degli iperparametri.

⬤ Rilevate le derive e inserite meccanismi robusti nelle vostre soluzioni.

⬤ Superare la gestione degli errori con flussi di controllo robusti e scansione delle vulnerabilità.

⬤ Ospitare e costruire un microservizio di ML utilizzando AWS e Flask.

A chi è rivolto questo libro:

Questo libro è pensato per ingegneri MLOps e ML, data scientist e sviluppatori di software che vogliono costruire soluzioni robuste che utilizzano l'apprendimento automatico per risolvere problemi del mondo reale. Anche chi non è uno sviluppatore ma vuole gestire o comprendere il ciclo di vita di questi sistemi troverà utile questo libro. Il libro presuppone una conoscenza di base dei concetti di apprendimento automatico e un'esperienza di programmazione intermedia in Python. Grazie alla sua attenzione alle competenze pratiche e agli esempi del mondo reale, questo libro è una risorsa essenziale per chiunque voglia progredire nella propria carriera di ingegnere dell'apprendimento automatico.