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

ساخت و استقرار مدل های یادگیری ماشین و یادگیری عمیق در تولید با نمونه های پایان به پایان.
این کتاب با تمرکز بر فرآیند استقرار مدل یادگیری ماشین و چالش های مرتبط با آن آغاز می شود. در مرحله بعد ، این روند ساخت و استقرار مدل های یادگیری ماشین را با استفاده از چارچوب های مختلف وب مانند Flask و Streamlit پوشش می دهد. یک فصل در مورد Docker نحوه بسته بندی و کانتینر کردن مدل های یادگیری ماشین را دنبال می کند و پوشش می دهد. این کتاب همچنین نحوه ساخت و آموزش مدل های یادگیری ماشین و یادگیری عمیق را در مقیاس با استفاده از Kubernetes نشان می دهد. همچنین برای کسانی که می خواهند فراتر از نوت بوک های Jupyter به مدلهای آموزشی در مقیاس در محیط های ابری حرکت کنند ، راهنمایی می کند. تمام کدهای ارائه شده در کتاب به صورت اسکریپت های پایتون برای شما در دسترس است تا مثالها را امتحان کنید و آنها را به روش های جالب گسترش دهید. Flask and Streamlit Frameworks
چه کسی این کتاب برای مهندسین داده ، دانشمندان داده ، تحلیلگران و یادگیری ماشین و مهندسان یادگیری عمیق

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