Ingeniería de aprendizaje automático con Python - Segunda edición: Gestione el ciclo de vida de los modelos de aprendizaje automático utilizando MLOps con ejemplos prácticos

Opiniones de los lectores

El libro 'Machine Learning Engineering with Python' es una guía completa para profesionales que buscan mejorar sus habilidades en MLOps y comprender el ciclo de vida de los modelos de aprendizaje automático. Combina eficazmente conceptos teóricos con ejemplos prácticos sobre diversos temas, por lo que es adecuado para lectores con distintos niveles de experiencia, aunque se recomienda tener algunos conocimientos básicos.

Contenido bien estructurado, cobertura completa de conceptos de ML, ejemplos prácticos, adecuado para varios niveles de habilidad, buenas explicaciones, incluye herramientas y tecnologías modernas (como LLM, AWS y Kubernetes) y se centra en prácticas críticas de MLOps. Fácil de digerir y atractivo para aquellos que buscan aplicar ML en entornos del mundo real.

No es ideal para principiantes; es necesario tener conocimientos previos de Python y conceptos básicos de ML. Algunos contenidos pueden quedar obsoletos rápidamente debido a la naturaleza vertiginosa de este campo. Carece de una exploración en profundidad de ciertos temas avanzados y podría integrar más estudios de casos prácticos, especialmente en áreas como la IA generativa. El enfoque tiende a centrarse en las mejores prácticas de ingeniería de software más que en la teoría del ML en profundidad.

(basado en 25 opiniones de lectores)

Título original:

Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples

Contenido del libro:

Transforme sus proyectos de aprendizaje automático en implementaciones exitosas con esta guía práctica sobre cómo construir y escalar soluciones que resuelvan problemas del mundo real.

Incluye un nuevo capítulo sobre IA generativa y grandes modelos de lenguaje (LLM) y la construcción de una tubería que aprovecha LLM utilizando LangChain.

Características principales:

⬤ Esta segunda edición profundiza en temas clave de aprendizaje automático, CI / CD y diseño de sistemas.

⬤ Explora las prácticas centrales de MLOps, como la gestión de modelos y la supervisión del rendimiento.

⬤ Construya ejemplos de extremo a extremo de microservicios y tuberías ML desplegables utilizando AWS y herramientas de código abierto.

Descripción del libro:

Machine Learning Engineering with Python, 2nd Edition, es la guía práctica que los ingenieros de MLOps y ML necesitan para construir soluciones sólidas para resolver problemas del mundo real, proporcionándole las habilidades y el conocimiento que necesita para mantenerse a la vanguardia en este campo en rápida evolución.

El libro adopta un enfoque práctico, centrado en ejemplos, que proporciona conceptos técnicos esenciales, patrones de implementación y metodologías de desarrollo. Pasará de comprender los pasos clave del ciclo de vida de desarrollo del aprendizaje automático a crear e implementar soluciones sólidas de aprendizaje automático. Una vez que domine los conceptos básicos, se pondrá manos a la obra con arquitecturas de implementación y descubrirá métodos para ampliar sus soluciones.

Esta edición profundiza en la ingeniería de ML y MLOps, con un enfoque más nítido en ML. Avanzará en CI/CD con formación y pruebas continuas y profundizará en la deriva de datos y conceptos.

Con un nuevo capítulo sobre IA generativa, explorará Hugging Face, PyTorch y GitHub Copilot, y consumirá un LLM a través de una API utilizando LangChain. También cubrirá las consideraciones del aprendizaje profundo en relación con el flujo de trabajo, el hardware y el escalado de cargas de trabajo, así como la orquestación de flujos de trabajo con Airlfow y Kafka. Además, aprovechará ZenML como una opción de código abierto para canalizar flujos de datos y llevar el despliegue más allá con despliegues canarios, azules y verdes.

Lo que aprenderá

⬤ Planificar y gestionar las etapas de los proyectos de desarrollo de aprendizaje automático.

⬤ Explorar ANNs, DNNs, y LLMs, y llegar a enfrentarse con el aumento de la IA generativa en MLOps.

⬤ Utiliza Python para empaquetar tus propias herramientas de ML y escalar soluciones con Apache Spark, Kubernetes y Apache Airflow.

⬤ Utilice AutoML para el ajuste de hiperparámetros.

⬤ Detectar la deriva y construir mecanismos robustos en sus soluciones.

⬤ Supercargue su manejo de errores con flujos de control robustos y escaneo de vulnerabilidades.

⬤ Alojar y construir un microservicio ML usando AWS y Flask.

Para quién es este libro:

Este libro está diseñado para ingenieros de MLOps y ML, científicos de datos y desarrolladores de software que desean construir soluciones robustas que utilizan el aprendizaje automático para resolver problemas del mundo real. Si no eres desarrollador pero quieres gestionar o entender el ciclo de vida de estos sistemas, este libro también te resultará útil. Asume un conocimiento básico de los conceptos de aprendizaje automático y una experiencia de programación intermedia en Python. Con su enfoque en habilidades prácticas y ejemplos del mundo real, este libro es un recurso esencial para cualquiera que desee avanzar en su carrera de ingeniería de aprendizaje automático.