Kubeflow per l'apprendimento automatico: Dal laboratorio alla produzione

Recensioni dei lettori

Il libro fornisce un'introduzione completa a Kubeflow e al suo ecosistema nel contesto dell'apprendimento automatico e dello sviluppo cloud-nativo. È apprezzato per la sua struttura organizzata, i contenuti di valore e gli esempi pratici, che lo rendono una risorsa adatta a chi è alle prime armi con Kubeflow. Tuttavia, alcuni utenti hanno ritenuto che in alcune parti possa essere confusa e hanno rilevato problemi di contenuti obsoleti e di qualità di stampa.

⬤ Panoramica completa di Kubeflow
⬤ ben organizzato e strutturato
⬤ buoni esempi per l'uso pratico
⬤ valido sia per i principianti che per chi ha una certa esperienza
⬤ aiuta a comprendere le pipeline di distribuzione
⬤ prezzo ragionevole.

⬤ Tono incoerente tra i capitoli
⬤ alcuni contenuti sono obsoleti
⬤ immagini/codice in bianco e nero nella versione stampata
⬤ alcuni lettori hanno trovato che si legge più come una documentazione che come un libro
⬤ non raccomandato per i principianti assoluti senza una precedente conoscenza di Kubernetes o degli strumenti di apprendimento automatico.

(basato su 9 recensioni dei lettori)

Titolo originale:

Kubeflow for Machine Learning: From Lab to Production

Contenuto del libro:

Se state addestrando un modello di apprendimento automatico ma non siete sicuri di come metterlo in produzione, questo libro vi aiuterà a farlo. Kubeflow fornisce una raccolta di strumenti nativi del cloud per le diverse fasi del ciclo di vita di un modello, dall'esplorazione dei dati, alla preparazione delle caratteristiche, all'addestramento del modello fino al suo utilizzo. Questa guida aiuta i data scientist a costruire implementazioni di machine learning di livello produttivo con Kubeflow e mostra ai data engineer come rendere i modelli scalabili e affidabili.

Utilizzando esempi in tutto il libro, gli autori Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu e Boris Lublinsky spiegano come utilizzare Kubeflow per addestrare e servire i modelli di apprendimento automatico in cima a Kubernetes nel cloud o in un ambiente di sviluppo on-premises.

⬤ Comprendere il design di Kubeflow, i componenti principali e i problemi che risolve.

⬤ Comprendere le differenze tra Kubeflow su diversi tipi di cluster.

⬤ Addestrare i modelli usando Kubeflow con strumenti popolari come Scikit-learn, TensorFlow e Apache Spark.

⬤ Mantenere il modello aggiornato con le pipeline di Kubeflow.

⬤ Capire come catturare i metadati di addestramento del modello.

⬤ Esplorare come estendere Kubeflow con altri strumenti open source.

⬤ Usare la regolazione degli iperparametri per l'addestramento.

⬤ Imparare a servire il modello in produzione.