ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Building Machine Learning Pipelines: Automating Model Life Cycles with TensorFlow

دانلود کتاب ساخت خط لوله های یادگیری ماشین: خودکارسازی چرخه های زندگی مدل با TensorFlow

Building Machine Learning Pipelines: Automating Model Life Cycles with TensorFlow

مشخصات کتاب

Building Machine Learning Pipelines: Automating Model Life Cycles with TensorFlow

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1492053198, 9781492053194 
ناشر: O'Reilly Media 
سال نشر: 2020 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت

قیمت کتاب (تومان) : 28,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Building Machine Learning Pipelines: Automating Model Life Cycles with TensorFlow به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب ساخت خط لوله های یادگیری ماشین: خودکارسازی چرخه های زندگی مدل با TensorFlow نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب ساخت خط لوله های یادگیری ماشین: خودکارسازی چرخه های زندگی مدل با TensorFlow


شرکت‌ها میلیاردها دلار برای پروژه‌های یادگیری ماشین هزینه می‌کنند، اما اگر مدل‌ها نتوانند به‌طور مؤثر به کار گرفته شوند، این پول هدر می‌رود. در این راهنمای عملی، هانس هاپک و کاترین نلسون شما را در مراحل خودکارسازی خط لوله یادگیری ماشین با استفاده از اکوسیستم تنسورفلو راهنمایی می‌کنند. تکنیک‌ها و ابزارهایی را یاد خواهید گرفت که زمان استقرار را از روزها به دقیقه کاهش می‌دهند تا بتوانید به جای حفظ سیستم‌های قدیمی روی توسعه مدل‌های جدید تمرکز کنید.

دانشمندان داده، مهندسان یادگیری ماشین و مهندسان DevOps کشف خواهند کرد که چگونه فراتر از توسعه مدل بروند تا پروژه های علم داده خود را با موفقیت تولید کنند، در حالی که مدیران نقشی که در کمک به تسریع این پروژه ها ایفا می کنند را بهتر درک خواهند کرد.

  • درک مراحلی که خط لوله یادگیری ماشین را می‌سازد
  • خط لوله خود را با استفاده از اجزای TensorFlow Extended بسازید
  • خط لوله یادگیری ماشین خود را با Apache Beam، Apache Airflow و Kubeflow Pipelines هماهنگ کنید


    /li>
  • کار با داده ها با استفاده از اعتبارسنجی داده های TensorFlow و تبدیل TensorFlow
  • تحلیل یک مدل با جزئیات با استفاده از تحلیل مدل TensorFlow< br>
  • انصاف و تعصب را در عملکرد مدل خود بررسی کنید
  • مدل‌ها را با سرویس TensorFlow مستقر کنید یا آنها را به TensorFlow Lite برای تلفن همراه تبدیل کنید دستگاه‌ها
  • تکنیک‌های یادگیری ماشینی حفظ حریم خصوصی را بدانید

توضیحاتی درمورد کتاب به خارجی

Companies are spending billions on machine learning projects, but it's money wasted if the models can't be deployed effectively. In this practical guide, Hannes Hapke and Catherine Nelson walk you through the steps of automating a machine learning pipeline using the TensorFlow ecosystem. You'll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems.

Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects. 

  • Understand the steps that make up a machine learning pipeline
  • Build your pipeline using components from TensorFlow Extended
  • Orchestrate your machine learning pipeline with Apache Beam, Apache Airflow and Kubeflow Pipelines
  • Work with data using TensorFlow Data Validation and TensorFlow Transform
  • Analyze a model in detail using TensorFlow Model Analysis
  • Examine fairness and bias in your model performance
  • Deploy models with TensorFlow Serving or convert them to TensorFlow Lite for mobile devices
  • Understand privacy-preserving machine learning techniques




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی