Iniziare i Mlops con Mlflow: Distribuire i modelli in Aws Sagemaker, Google Cloud e Microsoft Azure

Recensioni dei lettori

Il libro serve come introduzione di base agli MLOP, anche se presenta diversi inconvenienti significativi nell'esecuzione e nella redazione.

Buon contenuto introduttivo per gli MLOp; serve come punto di partenza.

Esecuzione scadente con mancanza di profondità, contenuti ripetitivi, editing scadente e impaginazione inadeguata.

(basato su 2 recensioni dei lettori)

Titolo originale:

Beginning Mlops with Mlflow: Deploy Models in Aws Sagemaker, Google Cloud, and Microsoft Azure

Contenuto del libro:

Capitolo 1: Come iniziare: Analisi dei dati e ingegneria delle caratteristiche Obiettivo del capitolo: stabilire le premesse del problema che si vuole risolvere con l'apprendimento automatico. Analizzare diversi set di dati ed elaborarli. N. di pagine - 30 pagine Sotto-argomenti 1. Premesse Premessa 4. Capitolo 2: Costruire un modello di apprendimento automatico Obiettivo del capitolo: costruire un modello di apprendimento automatico su un insieme di dati o su diversi insiemi di dati che abbiamo elaborato nel capitolo 4. N. di pagine - 40 pagineSub - Argomenti: 1. Costruire il modello 2. Addestramento e test del modello 3. Convalida e ottimizzazione Convalida e ottimizzazione Capitolo 3: Cos'è MLOps? Obiettivo del capitolo: introdurre il lettore a MLOps, alle varie fasi di automazione nelle configurazioni MLOps, all'automazione con le pipeline, al CI/CD e al CD Deployment. Pipeline per: dal repo sorgente al deployment, servizi di previsione, monitoraggio delle prestazioni, ecc. Integrazione continua (repo sorgente aggiornato con nuovi modelli) e consegna continua (nuovi modelli distribuiti). N. di pagine - 40 pagine Sotto-argomenti 1. Cos'è MLOps? Che cos'è MLOps? 2. Configurazione di MLOps 3. Automazione 4. CI/CD - Integrazione e consegna continue 5. CD - Deployment Capitolo 4: Introduzione a MLFlowObiettivo del capitolo: introdurre il lettore a MLFlow e a come incorporare MLFlow nel nostro processo di addestramento ML (PyTorch, Keras, TensorFlow) N. di pagine - 30 pagine Argomenti secondari: 1. Che cos'è MLFlow? 2. MLFlow in PyTorch3. MLFlow in Keras4.

MLFlow in TensorFlow Capitolo 5: Distribuzione in AWS - 40 pagine Obiettivo del capitolo: guidare il lettore attraverso il processo di distribuzione di una configurazione MLOps su AWS SageMaker. -Descrizione: Il capitolo guida il lettore alla scoperta di AWS SageMaker e lo aiuta a distribuire la propria configurazione MLOps (script di elaborazione dei dati, script di addestramento del modello, test e validazione) in AWS.

Capitolo 6: Distribuzione in Azure - 40 pagine Obiettivo del capitolo: guidare il lettore attraverso il processo di distribuzione di una configurazione MLOps su Microsoft Azure. -Descrizione: Il capitolo guida il lettore alla scoperta di Microsoft Azure e lo aiuta a distribuire la propria configurazione MLOps (script di elaborazione dei dati, script di formazione del modello, test e convalida) in Azure. Capitolo 7: Distribuzione in Google - 40 pagine Obiettivo del capitolo: guidare il lettore attraverso il processo di distribuzione di una configurazione MLOps su Google Cloud. -Descrizione: Il capitolo guida il lettore alla scoperta di Google Cloud e lo aiuta a distribuire la propria configurazione MLOps (script di elaborazione dei dati, script di formazione del modello, test e convalida) in Google Cloud. Appendice A: a2ml - 20 pagine Obiettivo del capitolo: questo capitolo dell'appendice è facoltativo e guida gli utenti attraverso il processo di distribuzione di una configurazione MLOps utilizzando a2ml. -Descrizione: Il capitolo guida il lettore attraverso a2ml e lo aiuta a distribuire la propria configurazione MLOps (script di elaborazione dei dati, script di formazione del modello, test e convalida) attraverso a2ml.