دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Kubernetes for MLOps - Scaling Enterprise Machine Learning, Deep Learning, and AI
دانلود کتاب Kubernetes for MLOps - Scaling Enterprise Machine Learning، Deep Learning، and AI
مشخصات کتاب
Kubernetes for MLOps - Scaling Enterprise Machine Learning, Deep Learning, and AI
ویرایش:
نویسندگان: Sam Charrington
سری: This Week in ML
ناشر:
سال نشر:
تعداد صفحات: [31]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 Mb
قیمت کتاب (تومان) : 45,000
در صورت تبدیل فایل کتاب Kubernetes for MLOps - Scaling Enterprise Machine Learning, Deep Learning, and AI 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 Kubernetes for MLOps - Scaling Enterprise Machine Learning، Deep Learning، and AI 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 Kubernetes for MLOps - Scaling Enterprise Machine Learning، Deep Learning، and AI
علاقه سازمانی به یادگیری ماشین و هوش مصنوعی همچنان در حال رشد است سازمان‌هایی که تیم‌ها و منابع بزرگ‌تری را به پروژه‌های ML/AI اختصاص می‌دهند. مانند کسب‌وکارها سرمایه‌گذاری‌های خود را مقیاس‌بندی می‌کنند، ساختن تکرارپذیر، کارآمد و حیاتی می‌شود فرآیندهای پایدار برای توسعه و استقرار مدل حرکت برای هدایت فرآیندهای سازگارتر و کارآمدتر در موازی های یادگیری ماشین تلاش برای رسیدن به اهداف مشابه در توسعه نرم افزار. در حالی که دومی به وجود آمده است DevOps نامیده می شود، اولی به طور فزاینده ای به عنوان MLOps شناخته می شود. در حالی که DevOps، و به همین ترتیب MLOs، اصولاً در مورد شیوه‌ها و نه فناوری هستند تا حدی که این شیوه‌ها بر اتوماسیون و تکرارپذیری متمرکز شده‌اند، ابزارها بوده‌اند نقش مهمی در ظهور آنها دارد. به طور خاص، ظهور فن آوری های ظرف مانند Docker یک فعال کننده قابل توجه DevOps بود که به کاربران اجازه می داد چابکی، کارایی، مدیریت پذیری و مقیاس پذیری در تلاش های توسعه نرم افزار آنها. کانتینرها به عنوان یک فناوری اساسی برای DevOps و MLO باقی می مانند. کانتینرها فراهم می کنند یک بخش اصلی از عملکرد که به ما امکان می دهد یک قطعه کد معین را اجرا کنیم - خواه یک نوت بوک، یک آزمایش، یا یک مدل مستقر - در هر جایی، بدون "جهنم وابستگی" که آفت روش های دیگر اشتراک گذاری نرم افزار اما، فناوری بیشتری برای مقیاس بندی ظروف مورد نیاز است برای پشتیبانی از تیم های بزرگ، حجم کاری یا برنامه های کاربردی. این فناوری به عنوان ظرف شناخته می شود سیستم ارکستراسیون که محبوب ترین آن Kubernetes است.
توضیحاتی درمورد کتاب به خارجی
Enterprise interest in machine learning and artificial intelligence continues to grow, with organizations dedicating increasingly large teams and resources to ML/AI projects. As businesses scale their investments, it becomes critical to build repeatable, efficient, and sustainable processes for model development and deployment. The move to drive more consistent and efficient processes in machine learning parallels efforts towards the same goals in software development. Whereas the latter has come to be called DevOps, the former is increasingly referred to as MLOps. While DevOps, and likewise MLOps, are principally about practices rather than technology, to the extent that those practices are focused on automation and repeatability, tools have been an important contributor to their rise. In particular, the advent of container technologies like Docker was a significant enabler of DevOps, allowing users to drive increased agility, efficiency, manageability, and scalability in their software development efforts. Containers remain a foundational technology for both DevOps and MLOps. Containers provide a core piece of functionality that allow us to run a given piece of code—whether a notebook, an experiment, or a deployed model—anywhere, without the “dependency hell” that plagues other methods of sharing software. But, additional technology is required to scale containers to support large teams, workloads, or applications. This technology is known as a container orchestration system, the most popular of which is Kubernetes.
