Ingeniería de aprendizaje automático con MLflow: Gestione el ciclo de vida integral del aprendizaje automático con MLflow

Opiniones de los lectores

En general, el libro sobre MLflow recibe críticas dispares. Muchos aprecian su visión global y sus ejemplos prácticos, que lo hacen especialmente útil para profesionales de nivel intermedio y avanzado que deseen gestionar los ciclos de vida del aprendizaje automático. Sin embargo, la calidad de la redacción es deficiente, contiene erratas y tiene problemas con algunos ejemplos de código. Aunque ofrece información valiosa, algunos lectores tuvieron dificultades para depurar el código y señalaron la falta de cobertura de los datos no estructurados.

⬤ Visión general de MLflow y sus funcionalidades.
⬤ Ejemplos prácticos y ejercicios prácticos con Docker.
⬤ Contenido bien estructurado y fácil de seguir para aquellos con conocimientos previos.
⬤ Útil para entender el ciclo de vida de ML y las mejores prácticas.
⬤ Bueno para practicantes de ML medios y avanzados.

⬤ Mala calidad de redacción y presencia de erratas en todo el libro.
⬤ Algunos ejemplos de código no funcionan según lo previsto, lo que provoca problemas de depuración.
⬤ No es apto para principiantes; requiere conocimientos previos de ML y herramientas relacionadas.
⬤ Cobertura limitada de casos de uso de datos no estructurados.
⬤ Preocupa la fiabilidad del repositorio GitHub adjunto.

(basado en 15 opiniones de lectores)

Título original:

Machine Learning Engineering with MLflow: Manage the end-to-end machine learning life cycle with MLflow

Contenido del libro:

Póngase en marcha y sea productivo en muy poco tiempo con MLflow utilizando el enfoque de ingeniería de aprendizaje automático más eficaz.

Características principales:

⬤ Explore los flujos de trabajo de aprendizaje automático para plantear problemas de ML de manera concisa y clara utilizando MLflow.

⬤ Utilice MLflow para desarrollar iterativamente un modelo ML y administrarlo.

⬤ Descubra y trabaje con las características disponibles en MLflow para llevar sin problemas un modelo de la fase de desarrollo a un entorno de producción.

Descripción del libro:

MLflow es una plataforma para el ciclo de vida del aprendizaje automático que permite el desarrollo estructurado y la iteración de modelos de aprendizaje automático y una transición sin problemas a entornos de producción escalables.

Este libro le llevará a través de las diferentes características de MLflow y cómo puede implementarlas en su proyecto de ML. Comenzará por enmarcar un problema de ML y, a continuación, transformará su solución con MLflow, añadiendo un entorno de workbench, infraestructura de formación, gestión de datos, gestión de modelos, experimentación y técnicas de despliegue de ML de última generación en la nube y en las instalaciones. El libro también explora técnicas para escalar su flujo de trabajo, así como técnicas de monitorización del rendimiento. A medida que avance, descubrirá cómo crear un cuadro de mandos operativo para gestionar los sistemas de aprendizaje automático. Más adelante, aprenderá cómo puede utilizar MLflow en el contexto del aprendizaje automático, la detección de anomalías y el aprendizaje profundo con la ayuda de casos de uso. Además, comprenderá cómo utilizar plataformas de aprendizaje automático para el desarrollo local, así como para entornos gestionados y en la nube. Este libro también le mostrará cómo utilizar MLflow en lenguajes no basados en Python como R y Java, además de cubrir enfoques para extender MLflow con Plugins.

Al final de este libro de aprendizaje automático, usted será capaz de producir y desplegar algoritmos de aprendizaje automático fiables utilizando MLflow en múltiples entornos.

Lo que aprenderá:

⬤ Desarrolle su proyecto de aprendizaje automático localmente con las diferentes características de MLflow.

⬤ Configurar un servidor centralizado de seguimiento de MLflow para gestionar múltiples experimentos de MLflow.

⬤ Crear un ciclo de vida del modelo con MLflow mediante la creación de modelos personalizados.

⬤ Utilizar flujos de características para registrar los resultados del modelo con MLflow.

⬤ Desarrollar la infraestructura completa de la tubería de formación utilizando las características de MLflow.

⬤ Configurar una tubería API basada en inferencia y una tubería por lotes en MLflow.

⬤ Escalar grandes volúmenes de datos integrando MLflow con bibliotecas de big data de alto rendimiento.

A quién va dirigido este libro:

Este libro es para científicos de datos, ingenieros de aprendizaje automático e ingenieros de datos que desean obtener experiencia práctica en ingeniería de aprendizaje automático y aprender cómo pueden administrar un ciclo de vida de aprendizaje automático de extremo a extremo con la ayuda de MLflow. Se espera un conocimiento de nivel intermedio del lenguaje de programación Python.