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.
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.
————————————————————–
ترجمه ماشینی :
کارهای زیرساختی پرهزینه و وقت گیر را دور بزنید و به سرعت مدل های یادگیری ماشینی خود را با MLO و ابزارهای از پیش ساخته شده بدون سرور به تولید برسانید! در MLOps Engineering at Scale یاد خواهید گرفت: استخراج، تبدیل و بارگذاری مجموعه دادهها جستجو در مجموعه دادهها با SQL درک تمایز خودکار در PyTorch استقرار خطوط لوله آموزشی مدل به عنوان نقطه پایانی خدمات نظارت و مدیریت چرخه عمر خطوط لوله اندازهگیری عملکرد پیشرفتها MLOps Engineering در مقیاس به شما نشان میدهد که چگونه با استفاده از خدمات از پیش ساخته شده از AWS و سایر فروشندگان ابری، یادگیری ماشین را به طور موثر وارد تولید کنید. 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 در دنیای واقعی برای محاسبه کرایه تاکسی، شما یک خط لوله MLOps را برای مدل PyTorch با استفاده از قابلیتهای بدون سرور AWS مهندسی میکنید. 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. MLO های 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 MLOps Engineering at Scale به شما می آموزد که چگونه سیستم های یادگیری ماشینی کارآمد را با استفاده از خدمات از پیش ساخته شده از AWS و سایر فروشندگان ابری پیاده سازی کنید. 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 بررسی خواهید کرد که ساخت خطوط لوله و مقیاسبندی مدلهای یادگیری عمیق خود را در تولید آسان میکنند. آنچه در داخل است مدیریت زیرساخت ML را کاهش یا حذف کنید 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 خواننده خوانندگان باید پایتون، SQL و اصول یادگیری ماشین را بدانند. بدون نیاز به تجربه ابری درباره نویسنده کارل اوسیپوف اولین شبکه عصبی خود را در سال 2000 پیاده سازی کرد و روی یادگیری عمیق و یادگیری ماشین در گوگل و IBM کار کرده
tag : دانلود کتاب PostGIS در عمل , Download PostGIS در عمل , دانلود PostGIS در عمل , Download PostGIS in Action Book , PostGIS در عمل دانلود , buy PostGIS در عمل , خرید کتاب PostGIS در عمل , دانلود کتاب PostGIS in Action , کتاب PostGIS in Action , دانلود PostGIS in Action , خرید PostGIS in Action , خرید کتاب PostGIS in Action ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.