Building Machine Learning Pipelines: Automatización de los ciclos de vida de los modelos con Tensorflow

Opiniones de los lectores

El libro se considera un recurso importante para los profesionales e investigadores que buscan aprender y construir pipelines de aprendizaje automático con TensorFlow Extended (TFX) y Apache Beam. Proporciona una introducción clara, ideas valiosas y un enfoque práctico. Sin embargo, sus ejemplos pueden estar desactualizados, algunos códigos son difíciles de reproducir, y hay sentimientos encontrados sobre su valor general.

⬤ Recurso esencial para profesionales de TFX e ingenieros de ML.
⬤ Explicaciones claras, concisas y bien estructuradas.
⬤ Cobertura exhaustiva del desarrollo y la automatización de canalizaciones de aprendizaje automático.
⬤ Muy pocos recursos disponibles para TFX, lo que hace que este libro sea especialmente valioso.
⬤ Suficientemente atractivo para leerlo rápidamente.

⬤ Los ejemplos pueden estar basados en una versión antigua de TFX.
⬤ Algunos ejemplos de código no pueden reproducirse sin revisiones.
⬤ Algunos comentarios sugieren que el contenido es escaso y no vale la pena el precio.
⬤ Puede requerir una sólida formación en aprendizaje automático para una comprensión completa.

(basado en 9 opiniones de lectores)

Título original:

Building Machine Learning Pipelines: Automating Model Life Cycles with Tensorflow

Contenido del libro:

Las empresas están gastando miles de millones en proyectos de aprendizaje automático, pero es dinero perdido si los modelos no se pueden desplegar con eficacia. En esta guía práctica, Hannes Hapke y Catherine Nelson le guiarán por los pasos necesarios para automatizar un proceso de aprendizaje automático utilizando el ecosistema TensorFlow. Aprenderá las técnicas y herramientas que reducirán el tiempo de despliegue de días a minutos, para que pueda centrarse en el desarrollo de nuevos modelos en lugar de mantener los sistemas heredados.

Los científicos de datos, ingenieros de aprendizaje automático e ingenieros DevOps descubrirán cómo ir más allá del desarrollo de modelos para producir con éxito sus proyectos de ciencia de datos, mientras que los gerentes comprenderán mejor el papel que desempeñan para ayudar a acelerar estos proyectos.

⬤ Comprender los pasos para construir una canalización de aprendizaje automático.

⬤ Construir su pipeline utilizando componentes de TensorFlow Extended.

⬤ Poner a prueba tu pipeline de aprendizaje automático con Apache Beam, Apache Airflow y Kubeflow Pipelines.

⬤ Trabajar con datos utilizando TensorFlow Data Validation y TensorFlow Transform.

⬤ Analizar un modelo en detalle utilizando TensorFlow Model Analysis.

⬤ Examinar la equidad y el sesgo en el rendimiento de su modelo.

⬤ Desplegar modelos con TensorFlow Serving o TensorFlow Lite para dispositivos móviles.

⬤ Aprenda técnicas de aprendizaje automático que preserven la privacidad.