Mlops pratici: Modelli di apprendimento automatico operativi

Recensioni dei lettori

Il libro offre un'esplorazione completa dell'ingegneria ML e degli MLOp, con consigli pratici e storie personali. Tuttavia, ha ricevuto critiche per la qualità di stampa, l'organizzazione e alcuni contenuti superficiali.

⬤ Copre sia la teoria che la pratica dell'ingegneria ML e delle MLOps
⬤ contiene consigli pratici e aneddoti personali
⬤ lodato per le istruzioni passo-passo sul deploy dei modelli su AWS
⬤ fornisce informazioni solide per i professionisti
⬤ include dettagli sulle principali piattaforme cloud.

⬤ Non adatto ai principianti
⬤ scarsa qualità della versione stampata
⬤ struttura disorganizzata
⬤ manca di profondità in alcune aree
⬤ alcuni utenti hanno ritenuto che assomigliasse a una raccolta di post di un blog piuttosto che a un libro coeso
⬤ include l'autopromozione dell'autore.

(basato su 14 recensioni dei lettori)

Titolo originale:

Practical Mlops: Operationalizing Machine Learning Models

Contenuto del libro:

Mettere in produzione i modelli è la sfida fondamentale dell'apprendimento automatico. MLOps offre una serie di principi comprovati per risolvere questo problema in modo affidabile e automatizzato. Questa guida approfondita vi spiega cos'è MLOps (e come si differenzia da DevOps) e vi mostra come metterlo in pratica per rendere operativi i vostri modelli di apprendimento automatico.

Gli attuali ingegneri dell'apprendimento automatico e gli aspiranti tali, o chiunque abbia familiarità con la scienza dei dati e Python, costruiranno le basi degli strumenti e dei metodi MLOps (insieme ad AutoML e al monitoraggio e al logging), quindi impareranno a implementarli in AWS, Microsoft Azure e Google Cloud. Quanto più velocemente si ottiene un sistema di apprendimento automatico funzionante, tanto più velocemente ci si può concentrare sui problemi aziendali che si sta cercando di risolvere. Questo libro vi offre un vantaggio.

Scoprirete come:

⬤ Applicare le migliori pratiche DevOps all'apprendimento automatico.

⬤ Costruire sistemi di machine learning di produzione e mantenerli.

⬤ Monitorare, strumentare, testare il carico e rendere operativi i sistemi di apprendimento automatico.

⬤ Scegliere gli strumenti MLOps corretti per una determinata attività di apprendimento automatico.

⬤ Eseguire modelli di apprendimento automatico su una varietà di piattaforme e dispositivi, compresi telefoni cellulari e hardware specializzato.