科技 类型
可以朗读 语音朗读
211千字 字数
2023-02-01 发行日期
展开全部

主编推荐语

本书是MLOps的综合指南，适用于所有机器学习从业人员。

内容简介

本书依次介绍了DevOps和MLOps的理论和实践、如何设置持续集成和持续交付、Kaizen三部分内容。

与云计算相关的MLOps分为三章，涵盖AWS、Azure和GCP（谷歌云平台）。之后介绍了机器学习互操作性、构建MLOps命令行工具和微服务。这些主题包括许多具有积极吸引力的尖端新兴技术，结尾另提供真实研究案例。

目录

  • 版权信息
  • O'Reilly Media，Inc. 介绍
  • 前言
  • 第1章 MLOps简介
  • 1.1 机器学习工程师和MLOps的兴起
  • 1.2 什么是MLOps
  • 1.3 DevOps和MLOps
  • 1.4 MLOps需求层次
  • 1.4.1 实施DevOps
  • 1.4.2 GitHub Actions持续集成环境配置
  • 1.4.3 DataOps和数据工程
  • 1.4.4 平台自动化
  • 1.4.5 MLOps
  • 1.5 小结
  • 练习题
  • 独立思考和讨论
  • 第2章 MLOps基础
  • 2.1 Bash和Linux命令行
  • 2.2 云端shell开发环境
  • 2.3 Bash shell和常用命令
  • 2.3.1 遍历文件
  • 2.3.2 运行命令
  • 2.3.3 文件和导航
  • 2.3.4 输入/输出
  • 2.3.5 配置
  • 2.3.6 编写脚本
  • 2.4 云计算基础和构建模块
  • 2.5 云计算入门
  • 2.6 Python速成课程
  • 2.7 Python极简教程
  • 2.8 程序员的数学速成课程
  • 2.8.1 描述性统计和正态分布
  • 2.8.2 优化
  • 2.9 机器学习关键概念
  • 2.10 开展数据科学工作
  • 2.11 从零开始构建一个MLOps管道
  • 2.12 小结
  • 练习题
  • 独立思考和讨论
  • 第3章 容器和边缘设备的MLOps
  • 3.1 容器
  • 3.1.1 容器运行时
  • 3.1.2 创建容器
  • 3.1.3 运行容器
  • 3.1.4 最佳实践
  • 3.1.5 使用HTTP提供模型服务
  • 3.2 边缘设备
  • 3.2.1 Coral
  • 3.2.2 Azure Percept
  • 3.2.3 TFHub
  • 3.2.4 移植非TPU模型
  • 3.3 托管机器学习系统的容器
  • 3.3.1 MLOps货币化中的容器
  • 3.3.2 一次构建，运行多个MLOps工作流
  • 3.4 小结
  • 练习题
  • 独立思考和讨论
  • 第4章 机器学习模型的持续交付
  • 4.1 机器学习模型打包
  • 4.2 机器学习模型持续交付中的基础设施即代码
  • 4.3 使用云管道
  • 4.3.1 模型的受控展开
  • 4.3.2 模型部署的测试技术
  • 4.4 小结
  • 练习题
  • 独立思考和讨论
  • 第5章 AutoML和KaizenML
  • 5.1 AutoML
  • 5.1.1 MLOps工业革命
  • 5.1.2 Kaizen和KaizenML
  • 5.1.3 特征仓库
  • 5.2 苹果生态系统
  • 5.2.1 苹果的AutoML：Create ML
  • 5.2.2 苹果的Core ML工具
  • 5.3 谷歌的AutoML和边缘计算机视觉
  • 5.4 Azure的AutoML
  • 5.5 AWS的AutoML
  • 5.6 开源AutoML解决方案
  • 5.6.1 Ludwig
  • 5.6.2 FLAML
  • 5.7 模型可解释性
  • 5.8 小结
  • 练习题
  • 独立思考和讨论
  • 第6章 监控和日志
  • 6.1 云MLOps的可观测性
  • 6.2 日志记录简介
  • 6.3 Python中的日志记录
  • 6.3.1 修改日志级别
  • 6.3.2 不同应用程序的日志记录
  • 6.4 监控及可观测性
  • 6.4.1 模型监控基础
  • 6.4.2 使用AWS SageMaker监控漂移
  • 6.4.3 使用Azure机器学习监控漂移
  • 6.5 小结
  • 练习题
  • 独立思考和讨论
  • 第7章 AWS的MLOps
  • 7.1 AWS简介
  • 7.1.1 AWS服务入门
  • 7.1.2 AWS上的MLOps
  • 7.2 AWS上的MLOps Cookbook
  • 7.2.1 命令行工具
  • 7.2.2 Flask微服务
  • 7.3 AWS Lambda方法
  • 7.3.1 AWS本地Lambda-SAM
  • 7.3.2 AWS Lambda-SAM容器化部署
  • 7.4 将AWS机器学习应用于现实世界
  • 7.5 小结
  • 练习题
  • 独立思考和讨论
  • 第8章 Azure的MLOps
  • 8.1 Azure CLI和Python SDK
  • 8.2 身份认证
  • 8.2.1 服务主体
  • 8.2.2 API服务的身份认证
  • 8.3 计算实例
  • 8.4 部署
  • 8.4.1 注册模型
  • 8.4.2 数据集的版本控制
  • 8.5 将模型部署到计算集群
  • 8.5.1 配置集群
  • 8.5.2 部署模型
  • 8.6 部署问题排查
  • 8.6.1 检索日志
  • 8.6.2 Application Insights
  • 8.6.3 本地调试
  • 8.7 Azure机器学习管道
  • 8.7.1 发布管道
  • 8.7.2 Azure机器学习设计器
  • 8.8 机器学习生命周期
  • 8.9 小结
  • 练习题
  • 独立思考和讨论
  • 第9章 谷歌云平台的MLOps
  • 9.1 谷歌云平台概览
  • 9.1.1 持续集成和持续交付
  • 9.1.2 Kubernetes Hello World
  • 9.1.3 云原生数据库选型和设计
  • 9.2 谷歌云平台上的DataOps：应用数据工程
  • 9.3 机器学习模型运维
  • 9.4 小结
  • 练习题
  • 独立思考和讨论
  • 第10章 机器学习互操作性
  • 10.1 为什么互操作性至关重要
  • 10.2 ONNX：开放式神经网络交换
  • 10.2.1 ONNX Model Zoo
  • 10.2.2 将PyTorch转换为ONNX
  • 10.2.3 创建通用ONNX检查器
  • 10.2.4 将TensorFlow转换为ONNX
  • 10.2.5 将ONNX部署到Azure
  • 10.3 苹果的Core ML
  • 10.4 边缘集成
  • 10.5 小结
  • 练习题
  • 独立思考和讨论
  • 第11章 构建MLOps命令行工具和微服务
  • 11.1 Python打包
  • 11.2 依赖文件
  • 11.3 命令行工具
  • 11.3.1 创建数据集linter
  • 11.3.2 模块化命令行工具
  • 11.4 微服务
  • 11.4.1 创建无服务器函数
  • 11.4.2 云函数授权
  • 11.4.3 构建基于云的CLI
  • 11.5 机器学习CLI工作流
  • 11.6 小结
  • 练习题
  • 独立思考和讨论
  • 第12章 机器学习工程和MLOps案例研究
  • 12.1 在构建机器学习模型时无知带来的难以置信的收益
  • 12.2 Sqor运动社交网络中的MLOps工程
  • 12.2.1 土耳其机器人数据标注
  • 12.2.2 影响者排名
  • 12.2.3 运动员智能
  • 12.3 完美技术与现实世界
  • 12.4 MLOps中的关键挑战
  • 12.4.1 道德和意外后果
  • 12.4.2 缺乏卓越运营
  • 12.4.3 关注预测准确性而非全局
  • 12.5 实施MLOps的最终建议
  • 12.5.1 数据治理和网络安全
  • 12.5.2 MLOps设计模式
  • 12.6 小结
  • 练习题
  • 独立思考和讨论
  • 附录
  • 附录A 关键术语
  • 附录B 技术认证
  • 附录C 远程工作
  • 附录D 像VC一样思考你的职业生涯
  • 附录E 构建MLOps技术组合
  • 附录F 数据科学案例研究：间歇性禁食
  • 附录G 附加的教育资源
  • 附录H 技术项目管理
  • 关于作者
  • 关于封面
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。