ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب MLOps Lifecycle Toolkit: A Software Engineering Roadmap for Designing, Deploying, and Scaling Stochastic Systems

دانلود کتاب MLOps Lifecycle Toolkit: یک نقشه راه مهندسی نرم افزار برای طراحی، استقرار و مقیاس گذاری سیستم های تصادفی

MLOps Lifecycle Toolkit: A Software Engineering Roadmap for Designing, Deploying, and Scaling Stochastic Systems

مشخصات کتاب

MLOps Lifecycle Toolkit: A Software Engineering Roadmap for Designing, Deploying, and Scaling Stochastic Systems

ویرایش:  
نویسندگان:   
سری:  
 
ناشر: AclerPress 
سال نشر: 2023 
تعداد صفحات: 285 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 31 Mb 

قیمت کتاب (تومان) : 34,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب MLOps Lifecycle Toolkit: A Software Engineering Roadmap for Designing, Deploying, and Scaling Stochastic Systems 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 MLOps Lifecycle Toolkit: یک نقشه راه مهندسی نرم افزار برای طراحی، استقرار و مقیاس گذاری سیستم های تصادفی 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 MLOps Lifecycle Toolkit: یک نقشه راه مهندسی نرم افزار برای طراحی، استقرار و مقیاس گذاری سیستم های تصادفی

این کتاب با در نظر گرفتن مشکلات سفارشی، استانداردها و پشته های فناوری بین صنایع، به دست اندرکاران علم داده می پردازد. این شما را از طریق اصول تصمیم گیری فنی، از جمله برنامه ریزی، ساخت، بهینه سازی، بسته بندی، و استقرار جریان های کار تصادفی سرتاسر، قابل اعتماد و قوی با استفاده از زبان علم داده راهنمایی می کند.\r\n\r\nMLOps Lifecycle Toolkit شما را از طریق اصول مهندسی نرم افزار راهنمایی می کند، با فرض اینکه هیچ تجربه قبلی نداشته باشید. این مقاله به \"چرا\" دائمی MLO ها در مراحل اولیه، همراه با بینش در مورد چالش های منحصر به فرد سیستم های تصادفی مهندسی می پردازد. در مرحله بعد، منابعی را برای یادگیری مهارت های نرم افزاری، چارچوب های تست مبتنی بر داده و علوم کامپیوتر کشف خواهید کرد. علاوه بر این، نحوه انتقال از نوت‌بوک‌های Jupyter به ویرایشگرهای کد و استفاده از زیرساخت‌ها و سرویس‌های ابری را برای در دست گرفتن کنترل کل چرخه زندگی یادگیری ماشین مشاهده خواهید کرد. در مورد تصمیمات فنی و معماری که احتمالاً با آنها روبرو خواهید شد، و همچنین بهترین شیوه ها برای استقرار مدل های دقیق، توسعه پذیر، مقیاس پذیر و قابل اعتماد، بینشی کسب خواهید کرد. از طریق آزمایشگاه‌های عملی، «مجموعه ابزار» MLOps خود را می‌سازید که می‌توانید از آن برای تسریع پروژه‌های خود استفاده کنید. در فصل‌های بعدی، نویسنده Dayne Sorvisto با در نظر گرفتن مشکلات سخت منحصر به فرد در صنایعی مانند امور مالی بالا، انرژی، مراقبت‌های بهداشتی و فناوری به عنوان مطالعات موردی، همراه با محدودیت‌های اخلاقی و فنی که شکل دادن به تصمیم گیری\r\n\r\nپس از خواندن این کتاب، چه دانشمند داده، مدیر محصول، یا تصمیم‌گیرنده صنعت باشید، می‌توانید مدل‌ها را برای تولید پیاده‌سازی کنید، تفاوت‌های ظریف MLOps را در زبان حوزه صنعت خود درک کنید و منابعی برای تحویل مداوم داشته باشید. و یادگیری\r\n\r\nآنچه شما یاد خواهید گرفت\r\nاصول مهندسی نرم افزار و MLOps را بدانید\r\nطراحی یک سیستم یادگیری ماشینی سرتاسر\r\nتصمیمات فنی و معاوضه های معماری را متعادل کنید\r\nدر مورد مشکلات اساسی منحصر به فرد هر صنعت و نحوه حل آنها بینشی به دست آورید\r\n\r\nاین کتاب برای چه کسی است\r\nدانشمندان داده، مهندسان یادگیری ماشین و متخصصان نرم افزار.


توضیحاتی درمورد کتاب به خارجی

This book is aimed at practitioners of data science, with consideration for bespoke problems, standards, and tech stacks between industries. It will guide you through the fundamentals of technical decision making, including planning, building, optimizing, packaging, and deploying end-to-end, reliable, and robust stochastic workflows using the language of data science. MLOps Lifecycle Toolkit walks you through the principles of software engineering, assuming no prior experience. It addresses the perennial “why” of MLOps early, along with insight into the unique challenges of engineering stochastic systems. Next, you’ll discover resources to learn software craftsmanship, data-driven testing frameworks, and computer science. Additionally, you will see how to transition from Jupyter notebooks to code editors, and leverage infrastructure and cloud services to take control of the entire machine learning lifecycle. You’ll gain insight into the technical and architectural decisions you’re likely to encounter, as well as best practices for deploying accurate, extensible, scalable, and reliable models. Through hands-on labs, you will build your own MLOps “toolkit” that you can use to accelerate your own projects. In later chapters, author Dayne Sorvisto takes a thoughtful, bottom-up approach to machine learning engineering by considering the hard problems unique to industries such as high finance, energy, healthcare, and tech as case studies, along with the ethical and technical constraints that shape decision making. After reading this book, whether you are a data scientist, product manager, or industry decision maker, you will be equipped to deploy models to production, understand the nuances of MLOps in the domain language of your industry, and have the resources for continuous delivery and learning. What You Will Learn Understand the principles of software engineering and MLOps Design an end-to-end machine learning system Balance technical decisions and architectural trade-offs Gain insight into the fundamental problems unique to each industry and how to solve them Who This Book Is For Data scientists, machine learning engineers, and software professionals.



فهرست مطالب

Table of contents
    About this book
    Keywords
    Authors and Affiliations
    About the author
    Bibliographic Information

This is a preview of subscription content, access via your institution.
Table of contents (9 chapters)
Search within book

    Front Matter
    Pages i-xxii
    PDF
    Introducing MLOps
        Dayne Sorvisto 
    Pages 1-34
    Foundations for MLOps Systems
        Dayne Sorvisto 
    Pages 35-66
    Tools for Data Science Developers
        Dayne Sorvisto 
    Pages 67-102
    Infrastructure for MLOps
        Dayne Sorvisto 
    Pages 103-138
    Building Training Pipelines
        Dayne Sorvisto 
    Pages 139-165
    Building Inference Pipelines
        Dayne Sorvisto 
    Pages 167-187
    Deploying Stochastic Systems
        Dayne Sorvisto 
    Pages 189-216
    Data Ethics
        Dayne Sorvisto 
    Pages 217-236
    Case Studies by Industry
        Dayne Sorvisto 
    Pages 237-257
    Back Matter




نظرات کاربران