دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Machine Learning in Production: Master the art of delivering robust Machine Learning solutions with MLOps
دانلود کتاب یادگیری ماشینی در تولید: بر هنر ارائه راه حل های یادگیری ماشینی قوی با MLO ها مسلط شوید
مشخصات کتاب
Machine Learning in Production: Master the art of delivering robust Machine Learning solutions with MLOps
ویرایش:
نویسندگان: Suhas Pote
سری:
ناشر: BPB Publications
سال نشر: 2023
تعداد صفحات: 659
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 189 Mb
قیمت کتاب (تومان) : 51,000
در صورت تبدیل فایل کتاب Machine Learning in Production: Master the art of delivering robust Machine Learning solutions with MLOps 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 یادگیری ماشینی در تولید: بر هنر ارائه راه حل های یادگیری ماشینی قوی با MLO ها مسلط شوید 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 یادگیری ماشینی در تولید: بر هنر ارائه راه حل های یادگیری ماشینی قوی با MLO ها مسلط شوید
مدل‌های یادگیری ماشینی را با MLOها بدون زحمت پیاده‌سازی، مدیریت و مقیاس‌بندی کنید\r\n\r\nویژگی های کلیدی\r\n● چندین راه برای ساخت و استقرار مدل های ML در تولید با استفاده از خط لوله خودکار CI/CD کاوش کنید.\r\n● برنامه های ML را به برنامه های اندروید و ویندوز توسعه دهید و تبدیل کنید.\r\n● نحوه پیاده‌سازی مدل ML را در پلتفرم‌های ابری محبوب، از جمله Azure، GCP، و AWS بیاموزید.\r\n\r\nشرح\r\n\"یادگیری ماشینی در تولید\" تلاشی برای رمزگشایی مسیر یک حرفه قابل توجه در زمینه MLOps است. این یک راهنمای جامع برای مدیریت چرخه زندگی یادگیری ماشینی از توسعه تا استقرار است، و راه‌هایی را که می‌توانید از طریق آن‌ها می‌توانید مدل‌های ML را در تولید مستقر کنید، توضیح می‌دهد.\r\n\r\nاین برنامه با مفاهیم اساسی شروع می شود، مقدمه ای بر چرخه حیات ML و MLOps، و به دنبال آن دستورالعمل های جامع گام به گام در مورد چگونگی ایجاد بسته ای برای کد ML از ابتدا که می تواند با استفاده از pip نصب شود، ارائه می شود. سپس MLflow را برای مدیریت چرخه عمر ML، خطوط لوله CI/CD پوشش می‌دهد و نحوه استقرار برنامه‌های ML را در Azure، GCP و AWS نشان می‌دهد. علاوه بر این، راهنمایی در مورد نحوه تبدیل برنامه های پایتون به برنامه های اندروید و ویندوز و همچنین نحوه توسعه برنامه های وب ML ارائه می دهد. در نهایت، نظارت، موضوع مهم حملات یادگیری ماشین، و تست A/B را پوشش می‌دهد.\r\n\r\nبا استفاده از این کتاب، می توانید به راحتی راه حل های یادگیری ماشین را در تولید بسازید و به کار ببرید.\r\n\r\nآنچه خواهید آموخت\r\n● با MLOها بر چرخه زندگی یادگیری ماشین مسلط شوید.\r\n● بهترین شیوه ها را برای مدیریت مدل های ML در مقیاس بیاموزید.\r\n● گردش کار ML خود را با MLFlow ساده کنید.\r\n● راه حل های نظارتی را با استفاده از Whylogs، WhyLabs، Grafana و Prometheus پیاده سازی کنید.\r\n● از Docker و Kubernetes برای استقرار ML استفاده کنید.\r\n\r\nاین کتاب برای چه کسی است\r\nچه یک دانشمند داده، مهندس ML، حرفه ای DevOps، مهندس نرم افزار یا معمار ابر باشید، این کتاب به شما کمک می کند تا مدل های یادگیری ماشین خود را سریع و کارآمد به تولید برسانید.
توضیحاتی درمورد کتاب به خارجی
Deploy, manage, and scale Machine Learning models with MLOps effortlessly Key Features ● Explore several ways to build and deploy ML models in production using an automated CI/CD pipeline. ● Develop and convert ML apps into Android and Windows apps. ● Learn how to implement ML model deployment on popular cloud platforms, including Azure, GCP, and AWS. Description ‘Machine Learning in Production’ is an attempt to decipher the path to a remarkable career in the field of MLOps. It is a comprehensive guide to managing the machine learning lifecycle from development to deployment, outlining ways in which you can deploy ML models in production. It starts off with fundamental concepts, an introduction to the ML lifecycle and MLOps, followed by comprehensive step-by-step instructions on how to develop a package for ML code from scratch that can be installed using pip. It then covers MLflow for ML life cycle management, CI/CD pipelines, and shows how to deploy ML applications on Azure, GCP, and AWS. Furthermore, it provides guidance on how to convert Python applications into Android and Windows apps, as well as how to develop ML web apps. Finally, it covers monitoring, the critical topic of machine learning attacks, and A/B testing. With this book, you can easily build and deploy machine learning solutions in production. What you will learn ● Master the Machine Learning lifecycle with MLOps. ● Learn best practices for managing ML models at scale. ● Streamline your ML workflow with MLFlow. ● Implement monitoring solutions using whylogs, WhyLabs, Grafana, and Prometheus. ● Use Docker and Kubernetes for ML deployment. Who this book is for Whether you are a Data scientist, ML engineer, DevOps professional, Software engineer, or Cloud architect, this book will help you get your machine learning models into production quickly and efficiently.
فهرست مطالب
1. Python 101 2. Git and GitHub Fundamentals 3. Challenges in ML Model Deployment 4. Packaging ML Models 5. MLflow-Platform to Manage the ML Life Cycle 6. Docker for ML 7. Build ML Web Apps Using API 8. Build Native ML Apps 9. CI/CD for ML 10. Deploying ML Models on Heroku 11. Deploying ML Models on Microsoft Azure 12. Deploying ML Models on Google Cloud Platform 13. Deploying ML Models on Amazon Web Services 14. Monitoring and Debugging 15. Post-Productionizing ML Models
