Modelli di apprendimento automatico distribuito

Recensioni dei lettori

Il libro è molto apprezzato per il suo approccio pratico all'apprendimento dell'architettura dei sistemi MLOps e AI in produzione. Fornisce esercizi pratici e best practice, in particolare utilizzando TensorFlow, Kubernetes e Kubeflow. Molti lettori hanno trovato particolarmente preziosi gli approfondimenti sull'addestramento distribuito e sui modelli di servizio dei modelli.

Esercizi pratici, spiegazioni eccellenti sull'apprendimento automatico distribuito, esempi pratici ed esercitazioni di codifica, agnostico rispetto al cloud, capitoli approfonditi sull'architettura e sui flussi di lavoro e un progetto completo end-to-end. Il libro è coinvolgente e ben scritto, rendendo più accessibili argomenti complessi.

Il libro non tratta PyTorch, il che potrebbe limitarne l'applicabilità per coloro che desiderano imparare specificamente questo framework. Alcuni capitoli possono risultare ostici per i principianti senza una conoscenza preliminare dei fondamenti dell'apprendimento automatico e degli strumenti di orchestrazione dei container come Docker e Kubernetes.

(basato su 3 recensioni dei lettori)

Titolo originale:

Distributed Machine Learning Patterns

Contenuto del libro:

Modelli pratici per scalare l'apprendimento automatico dal vostro laptop a un cluster distribuito.

In Distributed Machine Learning Patterns imparerete a:

Applicare modelli di sistemi distribuiti per costruire progetti di apprendimento automatico scalabili e affidabili.

Costruire pipeline di apprendimento automatico con l'ingestione dei dati, l'addestramento distribuito, il model serving e altro ancora.

Automatizzare le attività di apprendimento automatico con Kubernetes, TensorFlow, Kubeflow e Argo Workflows.

Effettuare compromessi tra diversi modelli e approcci.

Gestire e monitorare i carichi di lavoro di apprendimento automatico su scala.

Distributed Machine Learning Patterns vi insegna a scalare i modelli di apprendimento automatico dal vostro laptop a grandi cluster distribuiti. Imparerete ad applicare i modelli di sistemi distribuiti consolidati ai progetti di apprendimento automatico e ad esplorare nuovi modelli specifici per l'apprendimento automatico. Saldamente radicato nel mondo reale, questo libro dimostra come applicare i pattern utilizzando esempi basati su TensorFlow, Kubernetes, Kubeflow e Argo Workflows. Scenari reali, progetti pratici e tecniche DevOps chiare e pratiche consentono di lanciare, gestire e monitorare facilmente pipeline di apprendimento automatico distribuite cloud-native.

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

Informazioni sulla tecnologia

La scalabilità dei modelli da dispositivi autonomi a grandi cluster distribuiti è una delle maggiori sfide affrontate dai moderni professionisti dell'apprendimento automatico. La distribuzione dei sistemi di apprendimento automatico consente agli sviluppatori di gestire insiemi di dati estremamente grandi su più cluster, di sfruttare gli strumenti di automazione e di beneficiare delle accelerazioni hardware. In questo libro, il co-presidente di Kubeflow Yuan Tang condivide i modelli, le tecniche e l'esperienza acquisita in anni di costruzione e gestione di infrastrutture di machine learning distribuite all'avanguardia.

Informazioni sul libro

Distributed Machine Learning Patterns è ricco di modelli pratici per l'esecuzione di sistemi di apprendimento automatico su cluster Kubernetes distribuiti nel cloud. Ogni schema è stato progettato per aiutare a risolvere le sfide più comuni che si incontrano quando si costruiscono sistemi di apprendimento automatico distribuiti, tra cui il supporto dell'addestramento distribuito dei modelli, la gestione dei guasti imprevisti e il traffico dinamico dei modelli. Gli scenari del mondo reale forniscono esempi chiari di come applicare ciascun pattern, insieme ai potenziali svantaggi di ciascun approccio. Una volta acquisita la padronanza di queste tecniche all'avanguardia, le metterete tutte in pratica e finirete per costruire un sistema di apprendimento automatico distribuito completo.

Informazioni sul lettore

Per analisti di dati, data scientist e ingegneri del software che conoscono le basi degli algoritmi di machine learning e dell'esecuzione del machine learning in produzione. I lettori devono avere familiarità con le basi di Bash, Python e Docker.

Informazioni sull'autore

Yuan Tang è attualmente un ingegnere fondatore di Akuity. In precedenza è stato ingegnere software senior presso Alibaba Group, occupandosi della costruzione di infrastrutture AI e piattaforme AutoML su Kubernetes. Yuan è co-presidente di Kubeflow, manutentore di Argo, TensorFlow, XGBoost e Apache MXNet. È coautore di TensorFlow in Practice e autore dell'implementazione di TensorFlow di Dive into Deep Learning.