Deploy Machine Learning Models to Production: With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform

ساخت و استقرار مدل‌های یادگیری ماشینی و یادگیری عمیق در تولید با مثال‌های سرتاسری.
این کتاب با تمرکز بر فرآیند استقرار مدل یادگیری ماشین و چالش‌های مرتبط با آن آغاز می‌شود. در مرحله بعد، فرآیند ساخت و استقرار مدل‌های یادگیری ماشینی با استفاده از چارچوب‌های مختلف وب مانند Flask و Streamlit را پوشش می‌دهد. فصلی درباره Docker در ادامه آمده است و نحوه بسته بندی و بسته بندی مدل های یادگیری ماشین را پوشش می دهد. این کتاب همچنین نحوه ساخت و آموزش مدل‌های یادگیری ماشینی و یادگیری عمیق را در مقیاس با استفاده از Kubernetes نشان می‌دهد.
این کتاب نقطه شروع خوبی برای افرادی است که می‌خواهند با استفاده از مدل‌های از پیش ساخته شده به سطح بعدی یادگیری ماشین بروند. به کارگیری آنها در تولید همچنین برای کسانی که می‌خواهند از نوت‌بوک‌های Jupyter فراتر رفته و به مدل‌های آموزشی در مقیاس در محیط‌های ابری حرکت کنند، راهنمایی می‌کند. تمام کدهای ارائه شده در کتاب به شکل اسکریپت های پایتون در دسترس شما هستند تا بتوانید مثال ها را امتحان کنید و آنها را به روش های جالب گسترش دهید.

آنچه خواهید آموخت

• با استفاده از Kubernetes مدل‌های یادگیری ماشینی را در مقیاس بسازید، آموزش دهید و بکار ببرید
• هر نوع مدل یادگیری ماشینی را در خود جای دهید و آن را روی هر پلتفرمی با استفاده از Docker اجرا کنید
• مدل‌های یادگیری ماشین و یادگیری عمیق را اجرا کنید. با استفاده از چارچوب‌های Flask و Streamlit

Build and deploy machine learning and deep learning models in production with end-to-end examples.
This book begins with a focus on the machine learning model deployment process and its related challenges. Next, it covers the process of building and deploying machine learning models using different web frameworks such as Flask and Streamlit. A chapter on Docker follows and covers how to package and containerize machine learning models. The book also illustrates how to build and train machine learning and deep learning models at scale using Kubernetes.
The book is a good starting point for people who want to move to the next level of machine learning by taking pre-built models and deploying them into production. It also offers guidance to those who want to move beyond Jupyter notebooks to training models at scale on cloud environments. All the code presented in the book is available in the form of Python scripts for you to try the examples and extend them in interesting ways.

What You Will Learn

• Build, train, and deploy machine learning models at scale using Kubernetes
• Containerize any kind of machine learning model and run it on any platform using Docker
• Deploy machine learning and deep learning models using Flask and Streamlit frameworks