Continuous Machine Learning with Kubeflow: Performing Reliable MLOps with Capabilities of TFX, Sagemaker and Kubernetes (English Edition)

سفری روشنگر به MLOps، DevOps، و یادگیری ماشین در محیط واقعی.

ویژگی های کلیدی

● دانش گسترده و توضیح مفهومی اجزای Kubernetes با مثال.

● شامل پروژه‌های MLOps متعدد با دسترسی به چارچوب های اثبات شده و استفاده از مفاهیم یادگیری عمیق.

توضیحات
< /span>

«یادگیری مداوم ماشین با Kubeflow» شما را با زیرساخت مدرن یادگیری ماشین، که شامل Kubernetes و معماری Kubeflow است، آشنا می‌کند. این کتاب اصول استقرار موارد مختلف استفاده از AI/ML با آموزش TensorFlow و ارائه خدمات با Kubernetes و چگونگی کمک به Kubernetes با پروژه های خاص از ابتدا تا انتها را توضیح می دهد.

این کتاب به نشان دادن نحوه استفاده از اجزای Kubeflow، استقرار آنها در GCP و ارائه آنها در تولید با استفاده از پیش‌بینی داده بلادرنگ کمک می‌کند. با Kubeflow KFserving، به تکنیک‌های سرویس‌دهی نگاه می‌کنیم، یک رابط کاربری مبتنی بر بینایی رایانه‌ای به صورت استریم‌لیت ایجاد می‌کنیم و سپس آن را در پلتفرم‌های ابری Google، Kubernetes و Heroku مستقر می‌کنیم. در مرحله بعد، نحوه ساخت هوش مصنوعی قابل توضیح برای تعیین انصاف و تعصب با ابزار What-if را نیز بررسی می کنیم. با پشتوانه موارد استفاده مختلف، ما یاد خواهیم گرفت که چگونه یادگیری ماشین را در تولید قرار دهیم، از جمله آموزش و خدمت.

پس از خواندن این کتاب، می‌توانید پروژه‌های ML خود را در فضای ابری با استفاده از Kubeflow و آخرین فناوری بسازید. علاوه بر این، دانش کاملی از DevOps و MLOps به دست خواهید آورد که درها را به روی نقش های شغلی مختلف در شرکت ها باز می کند.

آنچه یاد خواهید گرفت

● با معماری و ارکستراسیون Kubernetes راحت باشید.

● با استفاده از Docker و Google Cloud Platform از ابتدا، کانتینرسازی و استقرار را بیاموزید.

● نحوه توسعه Kubeflow Orchestrator را تمرین کنید. خط لوله برای یک مدل TensorFlow.

● خطوط لوله AWS SageMaker را درست از آموزش تا استقرار در تولید ایجاد کنید.

● خط لوله TensorFlow Extended (TFX) را برای یک برنامه NLP با استفاده از Tensorboard و TFMA بسازید.

این کتاب برای چه کسانی است

این کتاب برای MLOps، DevOps، مهندسان یادگیری ماشین و دانشمندان داده است که می‌خواهند به طور مداوم ماشین را استقرار کنند. خطوط لوله را یاد بگیرید و آنها را در مقیاس با استفاده از Kubernetes مدیریت کنید. خوانندگان باید پیشینه قوی در یادگیری ماشین داشته باشند و مقداری دانش درباره Kubernetes لازم است.

فهرست محتوا< /span>

1. مقدمه ای بر معماری ابری Kubeflow و Kubernetes

2. در حال توسعه خط لوله Kubeflow در GCP

3. طراحی مدل بینایی کامپیوتری در Kubeflow

4. ساخت خط لوله TFX

5. قابلیت توضیح و تفسیر مدل ML

6. توسعه خط لوله وزن‌ها و سوگیری‌های ساختمان

7. ML با AWS Sagemaker اعمال شد

8. توسعه برنامه وب با Streamlit و Heroku

An insightful journey to MLOps, DevOps, and Machine Learning in the real environment.

Key Features

● Extensive knowledge and concept explanation of Kubernetes components with examples.

● An all-in-one knowledge guide to train and deploy ML pipelines using Docker and Kubernetes.

● Includes numerous MLOps projects with access to proven frameworks and the use of deep learning concepts.

Description

'Continuous Machine Learning with Kubeflow' introduces you to the modern machine learning infrastructure, which includes Kubernetes and the Kubeflow architecture. This book will explain the fundamentals of deploying various AI/ML use cases with TensorFlow training and serving with Kubernetes and how Kubernetes can help with specific projects from start to finish.

This book will help demonstrate how to use Kubeflow components, deploy them in GCP, and serve them in production using real-time data prediction. With Kubeflow KFserving, we'll look at serving techniques, build a computer vision-based user interface in streamlit, and then deploy it to the Google cloud platforms, Kubernetes and Heroku. Next, we also explore how to build Explainable AI for determining fairness and biasness with a What-if tool. Backed with various use-cases, we will learn how to put machine learning into production, including training and serving.

After reading this book, you will be able to build your ML projects in the cloud using Kubeflow and the latest technology. In addition, you will gain a solid knowledge of DevOps and MLOps, which will open doors to various job roles in companies.

What you will learn

● Get comfortable with the architecture and the orchestration of Kubernetes.

● Learn to containerize and deploy from scratch using Docker and Google Cloud Platform.

● Practice how to develop the Kubeflow Orchestrator pipeline for a TensorFlow model.

● Create AWS SageMaker pipelines, right from training to deployment in production.

● Build the TensorFlow Extended (TFX) pipeline for an NLP application using Tensorboard and TFMA.

Who this book is for

This book is for MLOps, DevOps, Machine Learning Engineers, and Data Scientists who want to continuously deploy machine learning pipelines and manage them at scale using Kubernetes. The readers should have a strong background in machine learning and some knowledge of Kubernetes is required.

Table of Contents

1. Introduction to Kubeflow & Kubernetes Cloud Architecture

2. Developing Kubeflow Pipeline in GCP

3. Designing Computer Vision Model in Kubeflow

4. Building TFX Pipeline

5. ML Model Explainability & Interpretability

6. Building Weights & Biases Pipeline Development

7. Applied ML with AWS Sagemaker

8. Web App Development with Streamlit & Heroku