دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب MLOps Engineering at Scale
دانلود کتاب مهندسی MLOps در مقیاس
مشخصات کتاب
MLOps Engineering at Scale
ویرایش:
نویسندگان: Carl Osipov
سری:
ISBN (شابک) : 1617297763, 9781617297762
ناشر: Manning
سال نشر: 2022
تعداد صفحات: 344
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 Mb
قیمت کتاب (تومان) : 45,000
در صورت تبدیل فایل کتاب MLOps Engineering at Scale 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 مهندسی MLOps در مقیاس 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 مهندسی MLOps در مقیاس
از کارهای زیرساختی پرهزینه و وقت گیر دوری گزینید و
مدل های یادگیری ماشینی خود را با MLOps و ابزارهای از پیش ساخته
شده بدون سرور به سرعت به تولید برسانید!
در مهندسی MLOps در مقیاس را یاد خواهید گرفت:
استخراج، تبدیل، و بارگذاری مجموعه‌های
داده
جستجو در مجموعه داده‌ها با SQL
درک تمایز خودکار در PyTorch
استقرار خطوط لوله آموزشی مدل به عنوان نقطه
پایانی خدمات
نظارت و مدیریت چرخه عمر خط لوله شما
اندازه‌گیری بهبود عملکرد
مهندسی MLOps در مقیاس به شما نشان می‌دهد که چگونه با
استفاده از خدمات از پیش ساخته شده از AWS و آموزش ماشینی را به
طور موثر در تولید قرار دهید. سایر فروشندگان ابر شما یاد خواهید
گرفت که چگونه به سرعت سیستم‌های یادگیری ماشینی انعطاف‌پذیر و
مقیاس‌پذیر ایجاد کنید، بدون اینکه کارهای عملیاتی وقت‌گیر انجام
دهید یا هزینه‌های سنگین سخت‌افزار فیزیکی را بر عهده بگیرید. به
دنبال یک مورد استفاده واقعی برای محاسبه کرایه تاکسی، شما یک خط
لوله MLOps را برای مدل PyTorch با استفاده از قابلیت‌های بدون
سرور AWS مهندسی می‌کنید.
خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در PDF، Kindle، و
قالب‌های ePub از انتشارات Manning.
درباره فناوری
یک سیستم یادگیری ماشینی آماده تولید شامل خطوط لوله داده کارآمد،
نظارت یکپارچه، و ابزارهایی برای افزایش و کاهش بر اساس تقاضا
است. استفاده از خدمات مبتنی بر ابر برای پیاده سازی زیرساخت ML
زمان توسعه را کاهش می دهد و هزینه های میزبانی را کاهش می دهد.
MLOps بدون سرور نیاز به ساخت و نگهداری زیرساخت های سفارشی را از
بین می برد، بنابراین می توانید روی داده ها، مدل ها و الگوریتم
های خود تمرکز کنید.
درباره کتاب
مهندسی MLOps در مقیاس به شما آموزش می دهد. نحوه پیاده
سازی سیستم های یادگیری ماشینی کارآمد با استفاده از خدمات از پیش
ساخته شده از AWS و سایر فروشندگان ابری. این کتاب که به راحتی
قابل دنبال کردن است، هنگام راه‌اندازی زیرساخت ML بدون سرور، گام
به گام شما را راهنمایی می‌کند، حتی اگر قبلاً از پلتفرم ابری
استفاده نکرده‌اید. همچنین ابزارهایی مانند PyTorch Lightning،
Optuna، و MLFlow را کاوش خواهید کرد که ساخت خطوط لوله و
مقیاس‌بندی مدل‌های یادگیری عمیق شما را در تولید آسان
می‌کنند.
آنچه در داخل است
کاهش یا حذف مدیریت زیرساخت ML
ابزارهای پیشرفته MLOps مانند PyTorch
Lightning و MLFlow را بیاموزید
خطوط لوله آموزشی را به عنوان نقطه پایانی
سرویس مستقر کنید
چرخه عمر خط لوله خود را نظارت و مدیریت
کنید
بهبود عملکرد را اندازه گیری کنید
درباره خواننده
خوانندگان باید پایتون، SQL و اصول یادگیری ماشین را بدانند.
نیازی به تجربه ابری نیست.
درباره نویسنده
کارل اوسیپوف اولین شبکه عصبی خود را در سال 2000 پیاده
سازی کرد و روی یادگیری عمیق و یادگیری ماشین در Google و IBM کار
کرده است.
فهرست مطالب
بخش 1 - تسلط بر مجموعه داده ها
1 مقدمه ای بر یادگیری ماشین بدون سرور
2 شروع به کار با مجموعه داده
3 کاوش و آماده سازی مجموعه داده
> 4 تجزیه و تحلیل داده های اکتشافی بیشتر و آماده سازی داده
ها
قسمت 2 - PYTORCH برای یادگیری ماشین های بدون سرور
5 معرفی PyTorch: مبانی تانسور
6 هسته PyTorch: Autograd، بهینه سازها و ابزارها
7 یادگیری ماشین بدون سرور در scale
8 کاهش مقیاس با آموزش توزیع شده
قسمت 3 - خط لوله یادگیری ماشین بدون سرور
9 انتخاب ویژگی
10 اتخاذ PyTorch Lightning
11 بهینه سازی Hyperparameter
12 خط لوله یادگیری ماشین
توضیحاتی درمورد کتاب به خارجی
Dodge costly and time-consuming infrastructure tasks,
and rapidly bring your machine learning models to production
with MLOps and pre-built serverless tools!
In MLOps Engineering at Scale you will learn:
Extracting, transforming, and loading
datasets
Querying datasets with SQL
Understanding automatic differentiation in
PyTorch
Deploying model training pipelines as a
service endpoint
Monitoring and managing your pipeline’s life
cycle
Measuring performance improvements
MLOps Engineering at Scale shows you how to put machine
learning into production efficiently by using pre-built
services from AWS and other cloud vendors. You’ll learn how to
rapidly create flexible and scalable machine learning systems
without laboring over time-consuming operational tasks or
taking on the costly overhead of physical hardware. Following a
real-world use case for calculating taxi fares, you will
engineer an MLOps pipeline for a PyTorch model using AWS
server-less capabilities.
Purchase of the print book includes a free eBook in PDF,
Kindle, and ePub formats from Manning Publications.
About the technology
A production-ready machine learning system includes efficient
data pipelines, integrated monitoring, and means to scale up
and down based on demand. Using cloud-based services to
implement ML infrastructure reduces development time and lowers
hosting costs. Serverless MLOps eliminates the need to build
and maintain custom infrastructure, so you can concentrate on
your data, models, and algorithms.
About the book
MLOps Engineering at Scale teaches you how to implement
efficient machine learning systems using pre-built services
from AWS and other cloud vendors. This easy-to-follow book
guides you step-by-step as you set up your serverless ML
infrastructure, even if you’ve never used a cloud platform
before. You’ll also explore tools like PyTorch Lightning,
Optuna, and MLFlow that make it easy to build pipelines and
scale your deep learning models in production.
What's inside
Reduce or eliminate ML infrastructure
management
Learn state-of-the-art MLOps tools like
PyTorch Lightning and MLFlow
Deploy training pipelines as a service
endpoint
Monitor and manage your pipeline’s life
cycle
Measure performance improvements
About the reader
Readers need to know Python, SQL, and the basics of machine
learning. No cloud experience required.
About the author
Carl Osipov implemented his first neural net in 2000 and
has worked on deep learning and machine learning at Google and
IBM.
Table of Contents
PART 1 - MASTERING THE DATA SET
1 Introduction to serverless machine learning
2 Getting started with the data set
3 Exploring and preparing the data set
4 More exploratory data analysis and data preparation
PART 2 - PYTORCH FOR SERVERLESS MACHINE LEARNING
5 Introducing PyTorch: Tensor basics
6 Core PyTorch: Autograd, optimizers, and utilities
7 Serverless machine learning at scale
8 Scaling out with distributed training
PART 3 - SERVERLESS MACHINE LEARNING PIPELINE
9 Feature selection
10 Adopting PyTorch Lightning
11 Hyperparameter optimization
12 Machine learning pipeline
