توضیحات
Supercharge the value of your machine learning models by building scalable and robust solutions that can serve them in production environments
Key Features
- Explore hyperparameter optimization and model management tools
- Learn object-oriented programming and functional programming in Python to build your own ML libraries and packages
- Explore key ML engineering patterns like microservices and the Extract Transform Machine Learn (ETML) pattern with use cases
Book Description
Machine learning engineering is a thriving discipline at the interface of software development and machine learning. This book will help developers working with machine learning and Python to put their knowledge to work and create high-quality machine learning products and services.
Machine Learning Engineering with Python takes a hands-on approach to help you get to grips with essential technical concepts, implementation patterns, and development methodologies to have you up and running in no time. You’ll begin by understanding key steps of the machine learning development life cycle before moving on to practical illustrations and getting to grips with building and deploying robust machine learning solutions. As you advance, you’ll explore how to create your own toolsets for training and deployment across all your projects in a consistent way. The book will also help you get hands-on with deployment architectures and discover methods for scaling up your solutions while building a solid understanding of how to use cloud-based tools effectively. Finally, you’ll work through examples to help you solve typical business problems.
By the end of this book, you’ll be able to build end-to-end machine learning services using a variety of techniques and design your own processes for consistently performant machine learning engineering.
What you will learn
- Find out what an effective ML engineering process looks like
- Uncover options for automating training and deployment and learn how to use them
- Discover how to build your own wrapper libraries for encapsulating your data science and machine learning logic and solutions
- Understand what aspects of software engineering you can bring to machine learning
- Gain insights into adapting software engineering for machine learning using appropriate cloud technologies
- Perform hyperparameter tuning in a relatively automated way
Who this book is for
This book is for machine learning engineers, data scientists, and software developers who want to build robust software solutions with machine learning components. If you’re someone who manages or wants to understand the production life cycle of these systems, you’ll find this book useful. Intermediate-level knowledge of Python is necessary.
Table of Contents
- Introduction to ML Engineering
- The Machine Learning Development Process
- From Model to Model Factory
- Packaging Up
- Deployment Patterns and Tools
- Scaling Up
- Building an Example ML Microservice
- Building an Extract Transform Machine Learning Use Case
————————————————————–
ترجمه ماشینی :
ارزش مدلهای یادگیری ماشین خود را با ایجاد راهحلهای مقیاسپذیر و قوی که میتواند در محیطهای تولید به کار گرفته شود، به ارزش مدلهای یادگیری ماشینی خود اضافه کنید
ویژگیهای کلیدی
- بهینه سازی هایپرپارامتر و ابزارهای مدیریت مدل را کاوش کنید
- برنامه نویسی شی گرا و برنامه نویسی تابعی را در پایتون بیاموزید تا کتابخانه ها و بسته های ML خود را بسازید
- کاوش الگوهای مهندسی کلیدی ML مانند میکروسرویس ها و تبدیل استخراج الگوی یادگیری ماشین (ETML) با موارد استفاده
توضیحات کتاب
مهندسی یادگیری ماشین یک رشته پررونق در رابط توسعه نرم افزار و یادگیری ماشین است. این کتاب به توسعه دهندگانی که با یادگیری ماشین و پایتون کار می کنند کمک می کند تا دانش خود را به کار ببندند و محصولات و خدمات یادگیری ماشینی با کیفیت بالا ایجاد کنند.
مهندسی یادگیری ماشین با پایتون یک رویکرد عملی برای کمک به شما دارد. با مفاهیم فنی اساسی، الگوهای پیاده سازی و متدولوژی های توسعه آشنا شوید تا شما را در کوتاه ترین زمان ممکن راه اندازی و اجرا کنید. قبل از اینکه به سراغ تصاویر عملی بروید و با ساختن و استقرار راه حل های قوی یادگیری ماشینی آشنا شوید، مراحل کلیدی چرخه زندگی توسعه یادگیری ماشین را درک خواهید کرد. همانطور که پیشروی می کنید، نحوه ایجاد مجموعه ابزارهای خود را برای آموزش و استقرار در تمام پروژه های خود به روشی ثابت کشف خواهید کرد. این کتاب همچنین به شما کمک میکند تا با معماریهای استقرار عمل کنید و روشهایی را برای افزایش مقیاس راهحلهای خود کشف کنید و در عین حال درک کاملی از نحوه استفاده مؤثر از ابزارهای
tag : دانلود کتاب مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی , Download مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی , دانلود مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی , Download Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples Book , مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی دانلود , buy مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی , خرید کتاب مهندسی یادگیری ماشین با پایتون: مدیریت چرخه عمر تولید مدلهای یادگیری ماشین با استفاده از MLOps با مثالهای عملی , دانلود کتاب Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples , کتاب Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples , دانلود Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples , خرید Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples , خرید کتاب Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examples ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.