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:
ISBN (شابک) : 9355518102, 9789355518101
ناشر: BPB Publications
سال نشر: 2023
تعداد صفحات: 458
[462]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 39 Mb
قیمت کتاب (تومان) : 31,000
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
استقرار، مدیریت، و مقیاس‌بندی مدل‌های یادگیری ماشینی با MLOها ویژگی‌های کلیدی ● چندین روش برای ساخت و استقرار مدل‌های ML در تولید با استفاده از خط لوله خودکار CI/CD کاوش کنید. ● برنامه های ML را به برنامه های اندروید و ویندوز توسعه دهید و تبدیل کنید. ● نحوه پیاده‌سازی مدل ML را در پلتفرم‌های ابری محبوب، از جمله Azure، GCP، و AWS بیاموزید. توصیف \"یادگیری ماشین در تولید\" تلاشی برای رمزگشایی از 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. این کار 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. با استفاده از این کتاب، می توانید به راحتی راه حل های یادگیری ماشین را در تولید بسازید و به کار ببرید. آنچه یاد خواهید گرفت ● با MLOs بر چرخه زندگی یادگیری ماشین مسلط شوید. ● بهترین شیوه ها را برای مدیریت مدل های ML در مقیاس بیاموزید. ● گردش کار ML خود را با MLFlow ساده کنید. ● راه حل های نظارتی را با استفاده از Whylogs، WhyLabs، Grafana و Prometheus پیاده سازی کنید. ● از Docker و Kubernetes برای استقرار ML استفاده کنید. این کتاب برای چه کسی است چه 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 ماشینی خود را به سرعت و کارآمد تولید کنید. فهرست مطالب 1. Python 101 2. Git و GitHub Fundamentals 3. چالش‌ها در استقرار مدل ML 4. بسته‌بندی مدل‌های ML 5. MLflow-پلتفرم برای مدیریت چرخه حیات ML 6. Docker برای ML 7. ساخت برنامه‌های وب MLPI8 با استفاده از A ساخت برنامه های ML بومی 9. CI/CD برای ML 10. استقرار مدل های ML در Heroku 11. استقرار مدل های ML در Microsoft Azure 12. استقرار مدل های ML در پلتفرم ابری Google 13. استقرار مدل های ML در خدمات وب آمازون 14. نظارت و اشکال زدایی 15. مدل های ML پس از تولید
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. TABLE OF CONTENTS 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
فهرست مطالب
Book title Inner title Copyright Dedicated About the Author About the Reviewer Acknowledgement Preface Code Bundle and Coloured Images Piracy Table of Contents Chapter 1: Python101 Introduction Structure Objectives Install Python On Windows and Mac OS On Linux Install Anaconda Install code editor Hello World! Execution of Python file Data structures Common data structures Control statements and loops if…else for loop while loop pass statement Functions Object Oriented Programming (OOP) Numerical Python (NumPy) Reshaping array Pandas loc - selection by label iloc - selection by position Save and load CSV files Save and load Excel files Conclusion Points to remember Multiple choice questions Answers Questions Key terms Chapter 2: Git and GitHub Fundamentals Introduction Structure Objectives Git concepts Git + Hub = GitHub Common Git workflow Install Git and create a GitHub account Linux (Debian/Ubuntu) Git for all platforms GUI clients Create a GitHub account Common Git commands Setup New repository Update Changes Revert Let’s Git Configuration Initialize the Git repository Check Git status Add a new file Conclusion Points to remember Multiple choice questions Answers Questions Chapter 3: Challenges in ML Model Deployment Introduction Structure Objectives ML life cycle Business impact Data collection Data preparation Feature engineering Build and train the model Test and evaluate Model deployment Monitoring and optimization Types of model deployment Batch predictions Web service/REST API Mobile and edge devices Real-time Challenges in deploying models in the production environment Team coordination Data-related challenges Portability Scalability Robustness Security MLOps Benefits of MLOps Efficient management of ML life cycle Reproducibility Automation Tracking and feedback loop Conclusion Points to remember Multiple choice questions Answers Questions Key terms Chapter 4: Packaging ML Models Introduction Structure Objectives Virtual environments Requirements file Serializing and de-serializing ML models Testing Python code with pytest pytest fixtures Python packaging and dependency management Modular programming Module Package Developing, building, and deploying ML packages Business problem Data Building the ML model Developing the package Set up environment variables and paths Build the package Install the package Package usage with example Conclusion Points to remember Multiple choice questions Answers Questions Key terms Chapter 5: MLflow-Platform to Manage the ML Life Cycle Introduction Structure Objectives Introduction to MLflow Set up your environment and install MLflow MLflow components MLflow tracking Log data into the run MLflow projects MLflow models MLflow registry Set up the MySQL server for MLflow Start the MLflow server Conclusion Points to remember Multiple choice questions Answers Questions Chapter 6: Docker for ML Introduction Structure Objectives Introduction to Docker It works on my machine! Long setup Setting up your environment and installing Docker Docker installation Install Docker Engine Docker compose Hello World with Docker Docker objects Create a Dockerfile Build a Docker image Run a Docker container Dockerize and deploy the ML model Common Docker commands Conclusion Points to remember Multiple choice questions Answers Questions Chapter 7: Build ML Web Apps Using API Introduction Structure Objectives REST APIs FastAPI Streamlit Flask Gunicorn NGINX Conclusion Points to remember Multiple choice questions Answers Questions Chapter 8: Build Native ML Apps Introduction Structure Objectives Introduction to Tkinter Hello World app using Tkinter Build an ML-based app using Tkinter Tkinter app Convert Python app into Windows EXE file Build an ML-based app using kivy and kivyMD KivyMD app Convert the Python app into an Android app Conclusion Points to remember Multiple choice questions Answers Questions Chapter 9: CI/CD for ML Introduction Structure Objectives CI/CD pipeline for ML Continuous Integration (CI) Continuous Delivery/Deployment (CD) Continuous Training (CT) Introduction to Jenkins Installation Build CI/CD pipeline using GitHub, Docker, and Jenkins Develop codebase Create a Personal Access Token (PAT) on GitHub Create a webhook on the GitHub repository Configure Jenkins Create CI/CD pipeline using Jenkins Stage 1: 1-GitHub-to-container Stage 2: 2-training Stage 3: 3-testing Stage 4: 4-deployment-status-email Conclusion Points to remember Multiple choice questions Answers Questions Chapter 10: Deploying ML Models on Heroku Introduction Structure Objectives Heroku Setting up Heroku Deployment with Heroku Git Deployment with GitHub repository integration REVIEW APPS STAGING PRODUCTION Heroku Pipeline flow Deployment with Container Registry GitHub Actions Configuration CI/CD pipeline using GitHub Actions and Heroku Conclusion Points to remember Multiple choice questions Answers Questions Chapter 11: Deploying ML Models on Microsoft Azure Introduction Structure Objectives Azure Set up an Azure account Deployment using GitHub Actions Infrastructure setup GitHub Actions Service principal Configure Azure App Service to use GitHub Actions for CD Deployment using Azure DevOps and Azure ML Azure Machine Learning (AML) service Workspace Experiments Runs Configure CI pipeline Configure CD pipeline Conclusion Points to remember Multiple choice questions Answers Questions Chapter 12: Deploying ML Models on Google Cloud Platform Introduction Structure Objectives Google Cloud Platform (GCP) Set up the GCP account Cloud Source Repositories Cloud Build Container Registry Kubernetes Google Kubernetes Engine (GKE) Deployment using Cloud Shell – Manual Trigger CI/CD pipeline using Cloud Build Create a trigger in Cloud Build Conclusion Points to remember Multiple choice questions Answers Questions Chapter 13: Deploying ML Models on Amazon Web Services Introduction Structure Objectives Introduction to Amazon Web Services (AWS) AWS compute services Amazon Elastic Compute Cloud (EC2) Amazon Elastic Container Service (ECS) Amazon Elastic Kubernetes Service (EKS) Amazon Elastic Container Registry (ECR) AWS Fargate AWS Lambda Amazon SageMaker Set up an AWS account AWS CodeCommit Continuous Training Amazon Elastic Container Registry (ECR) Docker Hub rate limit AWS CodeBuild Attach container registry access to CodeBuild’s service role Amazon Elastic Container Service (ECS) AWS ECS deployment models Task definition Load balancing Service CI/CD pipeline using CodePipeline AWS CodePipeline Monitoring Conclusion Points to remember Multiple choice questions Answers Questions Chapter 14: Monitoring and Debugging Introduction Structure Objectives Importance of monitoring Fundamentals of ML monitoring Metrics for monitoring your ML system Drift in ML Types of drift in ML Techniques to detect the drift in ML Addressing the drift in ML Operational monitoring with Prometheus and Grafana ML model monitoring with whylogs and WhyLabs whylogs Constraints for data quality validation WhyLabs Conclusion Points to remember Multiple choice questions Answers Questions Chapter 15: Post-Productionizing ML Models Introduction Structure Objectives Bridging the gap between the ML model and the creation of business value Model security Adversarial attack Data poisoning attack Distributed Denial of Service attack (DDoS) Data privacy attack Mitigate the risk of model attacks A/B testing MLOps is the future Conclusion Points to remember Multiple choice questions Answers Questions Index back title
نظرات کاربران
کتاب های تصادفی
دانلود کتاب توضيح النبأ عن مؤسس الشيعة عبد الله بن سبأ
دانلود کتاب Poetic Epistemologies: Gender and Knowing in Women's Language-Oriented Writing
دانلود کتاب Mujeres Y Emancipacion De La America Latina Y El Caribe En Los Siglos XIX Y XX
دانلود کتاب Indian Restaurant Curry at Home Misty Ricardo's Curry Kitchen
