Ingegneria su scala Mlops

Recensioni dei lettori

Il libro è molto apprezzato per il suo approccio completo alla comprensione di MLOps e deep learning, in particolare per coloro che possono avere difficoltà nell'implementazione pratica nel cloud. Guida efficacemente i lettori attraverso un progetto completo, migliorando la loro conoscenza di PyTorch e della formazione distribuita su AWS.

Copertura approfondita dei concetti di MLOps e deep learning, guida pratica al progetto, utile per l'implementazione nel cloud e l'uso di PyTorch, migliora la comprensione della differenziazione automatica, utile per colloqui e progetti.

Nessuna menzione esplicita nelle recensioni.

(basato su 2 recensioni dei lettori)

Titolo originale:

Mlops Engineering at Scale

Contenuto del libro:

Schivate le attività infrastrutturali costose e lunghe e portate rapidamente in produzione i vostri modelli di apprendimento automatico con MLOps e gli strumenti serverless precostituiti!

In MLOps Engineering at Scale imparerete:

Estrazione, trasformazione e caricamento di set di dati

Interrogare gli insiemi di dati con SQL

Comprendere la differenziazione automatica in PyTorch

Distribuire le pipeline di addestramento dei modelli come endpoint di un servizio

Monitoraggio e gestione del ciclo di vita della pipeline

Misurare i miglioramenti delle prestazioni

MLOps Engineering at Scale mostra come mettere in produzione l'apprendimento automatico in modo efficiente utilizzando servizi precostituiti di AWS e di altri fornitori di cloud. Imparerete a creare rapidamente sistemi di apprendimento automatico flessibili e scalabili senza dover faticare per svolgere attività operative lunghe e costose e senza doversi sobbarcare l'onere dell'hardware fisico. Seguendo un caso d'uso reale per il calcolo delle tariffe dei taxi, si progetterà una pipeline MLOps per un modello PyTorch utilizzando le funzionalità AWS senza server.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

Un sistema di apprendimento automatico pronto per la produzione comprende pipeline di dati efficienti, monitoraggio integrato e mezzi per scalare in base alla domanda. L'utilizzo di servizi basati sul cloud per implementare l'infrastruttura di ML riduce i tempi di sviluppo e i costi di hosting. Serverless MLOps elimina la necessità di costruire e mantenere un'infrastruttura personalizzata, in modo da potersi concentrare su dati, modelli e algoritmi.

Il libro

MLOps Engineering at Scale insegna come implementare sistemi di apprendimento automatico efficienti utilizzando servizi precostituiti di AWS e di altri fornitori di cloud. Questo libro facile da seguire vi guida passo dopo passo nella creazione della vostra infrastruttura ML serverless, anche se non avete mai usato una piattaforma cloud prima d'ora. Esplorerete anche strumenti come PyTorch Lightning, Optuna e MLFlow che rendono semplice la creazione di pipeline e la scalabilità dei modelli di deep learning in produzione.

Cosa c'è dentro

Ridurre o eliminare la gestione dell'infrastruttura ML

Imparare strumenti MLOps all'avanguardia come PyTorch Lightning e MLFlow

Distribuire le pipeline di formazione come endpoint di un servizio

Monitorare e gestire il ciclo di vita della pipeline

Misurare i miglioramenti delle prestazioni

Informazioni sul lettore

I lettori devono conoscere Python, SQL e le basi dell'apprendimento automatico. Non è richiesta alcuna esperienza nel cloud.

Informazioni sull'autore

Carl Osipov ha implementato la sua prima rete neurale nel 2000 e ha lavorato sul deep learning e sull'apprendimento automatico presso Google e IBM.

Indice dei contenuti

PARTE 1 - PADRONEGGIARE L'INSIEME DEI DATI

1 Introduzione all'apprendimento automatico senza server

2 Iniziare con il set di dati

3 Esplorazione e preparazione del set di dati

4 Ulteriori analisi esplorative e preparazione dei dati

PARTE 2 - PYTORCH PER L'APPRENDIMENTO AUTOMATICO SENZA SERVER

5 Introduzione a PyTorch: Nozioni di base sui tensori

6 Il nucleo di PyTorch: Autograd, ottimizzatori e utilità

7 Apprendimento automatico serverless in scala

8 Scalare con l'addestramento distribuito

PARTE 3 - PIPELINE DI APPRENDIMENTO AUTOMATICO SERVERLESS

9 Selezione delle funzioni

10 L'adozione di PyTorch Lightning

11 Ottimizzazione degli iperparametri

12 Pipeline di apprendimento automatico