توضیحات
Dodge costly and time-consuming infrastructure tasks, and rapidly bring your machine learning models to production with MLOps and pre-built serverless tools!
In MLOps Engineering at Scale you will learn:
Extracting, transforming, and loading datasets
Querying datasets with SQL
Understanding automatic differentiation in PyTorch
Deploying model training pipelines as a service endpoint
Monitoring and managing your pipelines life cycle
Measuring performance improvements
MLOps Engineering at Scale shows you how to put machine learning into production efficiently by using pre-built services from AWS and other cloud vendors. Youll learn how to rapidly create flexible and scalable machine learning systems without laboring over time-consuming operational tasks or taking on the costly overhead of physical hardware. Following a real-world use case for calculating taxi fares, you will engineer an MLOps pipeline for a PyTorch model using AWS server-less capabilities.
Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.
About the technology
A production-ready machine learning system includes efficient data pipelines, integrated monitoring, and means to scale up and down based on demand. Using cloud-based services to implement ML infrastructure reduces development time and lowers hosting costs. Serverless MLOps eliminates the need to build and maintain custom infrastructure, so you can concentrate on your data, models, and algorithms.
About the book
MLOps Engineering at Scale teaches you how to implement efficient machine learning systems using pre-built services from AWS and other cloud vendors. This easy-to-follow book guides you step-by-step as you set up your serverless ML infrastructure, even if youve never used a cloud platform before. Youll also explore tools like PyTorch Lightning, Optuna, and MLFlow that make it easy to build pipelines and scale your deep learning models in production.
What’s inside
Reduce or eliminate ML infrastructure management
Learn state-of-the-art MLOps tools like PyTorch Lightning and MLFlow
Deploy training pipelines as a service endpoint
Monitor and manage your pipelines life cycle
Measure performance improvements
About the reader
Readers need to know Python, SQL, and the basics of machine learning. No cloud experience required.
About the author
Carl Osipov implemented his first neural net in 2000 and has worked on deep learning and machine learning at Google and IBM.
Table of Contents
PART 1 – MASTERING THE DATA SET
1 Introduction to serverless machine learning
2 Getting started with the data set
3 Exploring and preparing the data set
4 More exploratory data analysis and data preparation
PART 2 – PYTORCH FOR SERVERLESS MACHINE LEARNING
5 Introducing PyTorch: Tensor basics
6 Core PyTorch: Autograd, optimizers, and utilities
7 Serverless machine learning at scale
8 Scaling out with distributed training
PART 3 – SERVERLESS MACHINE LEARNING PIPELINE
9 Feature selection
10 Adopting PyTorch Lightning
11 Hyperparameter optimization
12 Machine learning pipeline
————————————————————–
ترجمه ماشینی :
از کارهای زیرساختی پرهزینه و وقت گیر دوری گزینید و مدل های یادگیری ماشینی خود را با MLOps و ابزارهای از پیش ساخته شده بدون سرور به سرعت به تولید برسانید!
در مهندسی MLOps در مقیاس خواهید آموخت:
استخراج، تبدیل، و بارگذاری مجموعه داده ها
پرس و جو از مجموعه داده ها با SQL
درک تمایز خودکار در PyTorch
استقرار خطوط لوله آموزشی مدل به عنوان نقطه پایانی سرویس
> نظارت و مدیریت چرخه عمر خطوط لوله شما
اندازهگیری بهبود عملکرد
مهندسی MLOps در مقیاس به شما نشان میدهد که چگونه با استفاده از خدمات از پیش ساخته شده از AWS، یادگیری ماشین را به طور موثر وارد تولید کنید. سایر فروشندگان ابر شما یاد خواهید گرفت که چگونه به سرعت سیستمهای یادگیری ماشینی انعطافپذیر و مقیاسپذیر ایجاد کنید، بدون اینکه کارهای عملیاتی وقتگیر را انجام دهید یا هزینههای سنگین سختافزار فیزیکی را بر عهده بگیرید. به دنبال یک مورد استفاده واقعی برای محاسبه کرایه تاکسی، شما یک خط لوله MLOps را برای مدل PyTorch با استفاده از قابلیتهای بدون سرور AWS مهندسی میکنید.
خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در PDF، Kindle، و قالبهای ePub از انتشارات Manning.
درباره فناوری
یک سیستم یادگیری ماشینی آماده تولید شامل خطوط لوله داده کارآمد، نظارت یکپارچه، و ابزارهایی برای افزایش و کاهش بر اساس تقاضا است. استفاده از خدمات مبتنی بر ابر برای پیاده سازی زیرساخت ML زمان توسعه را کاهش می دهد و هزینه های میزبانی را کاهش می دهد. MLOps بدون سرور نیاز به ساخت و نگهداری زیرساخت های سفارشی را از بین می برد، بنابراین می توانید روی داده ها، مدل ها و الگوریتم های خود تمرکز کنید.
درباره کتاب
مهندسی MLOps در مقیاس به شما آموزش می دهد. نحوه پیاده سازی سیستم های یادگیری ماشینی کارآمد با استفاده از خدمات از پیش ساخته شده از AWS و سایر فروشندگان ابری. این کتاب که به راحتی قابل دنبال کردن است، هنگام راهاندازی زیرساختهای ML بدون سرور، گام به گام شما را راهنمایی میکند، حتی اگر قبلاً از پلتفرم ابری استفاده نکردهاید. همچنین ابزارهایی مانند PyTorch Lightning، Optuna، و MLFlow را کاوش خواهید کرد که ساخت خطوط لوله و مقیاسبندی مدلهای یادگیری عمیق خود را در تولید آسان میکنند.
آنچه در داخل است
کاهش یا حذف مدیریت زیرساخت ML
> ابزارهای پیشرفته MLOps مانند PyTorch Lightning و MLFlow را بیاموزید
خطوط لوله آموزشی را به عنوان نقطه پایانی سرویس مستقر کنید
چرخه عمر خطوط لوله خود را نظارت و مدیریت کنید
بهبود عملکرد را اندازه گیری کنید
درباره reader
خوانندگان باید پایتون، SQL و اصول یادگیری ماشین را بدانند. نیازی به تجربه ابری نیست.
درباره نویسنده
کارل اوسیپوف اولین شبکه عصبی خود را در سال 2000 پیاده سازی کرد و روی یادگیری عمیق و یادگیری ماشین در Google و IBM کار کرده است.
فهرست مطالب
بخش 1 – تسلط بر مجموعه داده ها
1 مقدمه ای بر یادگیری ماشین بدون سرور
2 شروع به کار با مجموعه داده
3 کاوش و آماده سازی مجموعه داده
> 4 تجزیه و تحلیل داده های اکتشافی بیشتر و آماده سازی داده ها
قسمت 2 – PYTORCH برای یادگیری ماشین های بدون سرور
5 معرفی PyTorch: مبانی تانسور
6 هسته PyTorch: Autograd، بهینه سازها و ابزارها
7 یادگیری ماشین بدون سرور در scale
8 کاهش مقیاس با آموزش توزیع شده
قسمت 3 – خط لوله یادگیری ماشین بدون سرور
9 انتخاب ویژگی
10 اتخاذ PyTorch Lightning
11 بهینه سازی Hyperparameter
12 خط لوله یادگیری ماشین
tag : دانلود کتاب مهندسی MLOps در مقیاس , Download مهندسی MLOps در مقیاس , دانلود مهندسی MLOps در مقیاس , Download MLOps Engineering at Scale Book , مهندسی MLOps در مقیاس دانلود , buy مهندسی MLOps در مقیاس , خرید کتاب مهندسی MLOps در مقیاس , دانلود کتاب MLOps Engineering at Scale , کتاب MLOps Engineering at Scale , دانلود MLOps Engineering at Scale , خرید MLOps Engineering at Scale , خرید کتاب MLOps Engineering at Scale ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.