Infraestructura eficaz de ciencia de datos: Cómo hacer productivos a los científicos de datos

Opiniones de los lectores

El libro proporciona una guía completa para la implementación de operaciones de aprendizaje automático (MLOps) utilizando Metaflow, combinando conocimientos teóricos con ejemplos prácticos dirigidos a la construcción de flujos de trabajo de ciencia de datos escalables.

⬤ Ejemplos prácticos y proyectos que enseñan eficazmente la infraestructura MLOps utilizando Metaflow.
⬤ Explicaciones claras de los conceptos, haciéndolo accesible incluso para aquellos que no tienen experiencia en MLOps.
⬤ Buen equilibrio entre teoría y práctica, con un enfoque en aplicaciones prácticas y casos de uso del mundo real.
⬤ Los elementos humorísticos y las atractivas ilustraciones mejoran la experiencia de lectura.
⬤ Proporciona información valiosa más allá de la documentación oficial de Metaflow.

⬤ El libro se centra principalmente en Metaflow, lo que puede limitar su aplicabilidad para aquellos que buscan una perspectiva más amplia sobre MLOps sin utilizar Metaflow.
⬤ Algunos lectores pueden necesitar recursos adicionales fuera del libro para configurar la infraestructura de Metaflow, ya que algunas configuraciones sólo están cubiertas en documentación externa.

(basado en 7 opiniones de lectores)

Título original:

Effective Data Science Infrastructure: How to Make Data Scientists Productive

Contenido del libro:

Simplificar la infraestructura de la ciencia de datos para dar a los científicos de datos un camino eficiente desde el prototipo hasta la producción.

En Effective Data Science Infrastructure aprenderá a:

Diseñar una infraestructura de ciencia de datos que aumente la productividad.

Manejar la computación y la orquestación en la nube.

Implementar el aprendizaje automático en la producción.

Supervisar y gestionar el rendimiento y los resultados.

Combinar herramientas basadas en la nube en un entorno de ciencia de datos cohesivo.

Desarrollar proyectos reproducibles de ciencia de datos utilizando Metaflow, Conda y Docker.

Diseñar aplicaciones complejas para varios equipos y grandes conjuntos de datos.

Personalizar y ampliar la infraestructura de ciencia de datos.

Infraestructura eficaz para la ciencia de datos: Cómo hacer que los científicos de datos sean más productivos es una guía práctica para montar infraestructuras para aplicaciones de ciencia de datos y aprendizaje automático. Revela los procesos utilizados en Netflix y otras empresas impulsadas por los datos para gestionar su infraestructura de datos de vanguardia. En él, dominará técnicas escalables para el almacenamiento de datos, la computación, el seguimiento de experimentos y la orquestación que son relevantes para empresas de todas las formas y tamaños. Aprenderá cómo puede hacer que los científicos de datos sean más productivos con su infraestructura de nube existente, una pila de software de código abierto y Python idiomático.

El autor dona los beneficios de este libro a organizaciones benéficas que apoyan a las mujeres y a los grupos infrarrepresentados en la ciencia de datos.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología.

El desarrollo de proyectos de ciencia de datos desde el prototipo hasta la producción requiere una infraestructura fiable. Con las nuevas y potentes técnicas y herramientas de este libro, podrá crear una infraestructura que se adapte a cualquier organización, desde nuevas empresas hasta las más grandes.

Acerca del libro.

Effective Data Science Infrastructure le enseña a crear canalizaciones de datos y flujos de trabajo de proyectos que potenciarán a los científicos de datos y sus proyectos. Basado en herramientas y conceptos de vanguardia que impulsan las operaciones de datos de Netflix, este libro presenta un enfoque personalizable basado en la nube para el desarrollo de modelos y MLOps que puede adaptar fácilmente a las necesidades específicas de su empresa. A medida que despliegue estos procesos prácticos, sus equipos producirán resultados mejores y más rápidos al aplicar la ciencia de datos y el aprendizaje automático a una amplia gama de problemas empresariales.

Qué contiene.

Gestione la computación y la orquestación en la nube.

Combine herramientas basadas en la nube en un entorno de ciencia de datos cohesivo.

Desarrolle proyectos reproducibles de ciencia de datos utilizando Metaflow, AWS y el ecosistema de datos de Python.

Diseñar aplicaciones complejas que requieren grandes conjuntos de datos y modelos, y un equipo de científicos de datos.

Acerca del lector.

Para ingenieros de infraestructura y científicos de datos con mentalidad de ingeniería que estén familiarizados con Python.

Sobre el autor.

En Netflix, Ville Tuulos diseñó y construyó Metaflow, un framework full-stack para la ciencia de datos. Actualmente, es el CEO de una startup centrada en la infraestructura de la ciencia de datos.

Tabla de contenidos.

1 Introducción a la infraestructura de la ciencia de datos.

2 La cadena de herramientas de la ciencia de datos.

3 Introducción a Metaflow.

4 Escalado con la capa de cálculo.

5 Practicando la escalabilidad y el rendimiento.

6 Pasar a producción.

7 Procesamiento de datos.

8 Uso y funcionamiento de los modelos.

9 Aprendizaje automático con la pila completa.