Ingeniería de Mlops a escala

Opiniones de los lectores

El libro es muy elogiado por su enfoque integral para comprender MLOps y el aprendizaje profundo, en particular para aquellos que pueden tener dificultades con la implementación práctica en la nube. Guía eficazmente a los lectores a través de un proyecto completo, mejorando su conocimiento de PyTorch y el aprendizaje distribuido en AWS.

Cobertura en profundidad de los conceptos de MLOps y aprendizaje profundo, guía práctica del proyecto, útil para la implementación en la nube y el uso de PyTorch, mejora la comprensión de la diferenciación automática, beneficioso para entrevistas y proyectos.

Ninguno mencionado explícitamente en las reseñas.

(basado en 2 opiniones de lectores)

Título original:

Mlops Engineering at Scale

Contenido del libro:

Esquiva las tareas de infraestructura costosas y lentas, y lleva rápidamente tus modelos de aprendizaje automático a producción con MLOps y herramientas sin servidor preconstruidas.

En MLOps Engineering at Scale aprenderás:

Extracción, transformación y carga de conjuntos de datos

Consulta de conjuntos de datos con SQL

Entender la diferenciación automática en PyTorch

Desplegar canalizaciones de formación de modelos como un punto final de servicio

Supervisar y gestionar el ciclo de vida de su canalización

Medición de las mejoras de rendimiento

MLOps Engineering at Scale le muestra cómo poner el aprendizaje automático en producción de manera eficiente mediante el uso de servicios prediseñados de AWS y otros proveedores de la nube. Aprenderá a crear rápidamente sistemas de aprendizaje automático flexibles y escalables sin tener que dedicar mucho tiempo a tareas operativas ni asumir los costosos gastos generales del hardware físico. Siguiendo un caso de uso real para calcular tarifas de taxi, diseñará una canalización de MLOps para un modelo PyTorch utilizando las capacidades sin servidor de AWS.

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

Acerca de la tecnología

Un sistema de aprendizaje automático listo para la producción incluye canalizaciones de datos eficientes, supervisión integrada y medios para ampliar y reducir en función de la demanda. El uso de servicios basados en la nube para implementar la infraestructura de ML reduce el tiempo de desarrollo y disminuye los costes de alojamiento. MLOps sin servidor elimina la necesidad de construir y mantener una infraestructura personalizada, para que pueda concentrarse en sus datos, modelos y algoritmos.

Acerca del libro

MLOps Engineering at Scale le enseña a implementar sistemas de aprendizaje automático eficientes utilizando servicios prediseñados de AWS y otros proveedores de la nube. Este libro fácil de seguir le guía paso a paso a medida que configura su infraestructura de ML sin servidor, incluso si nunca antes ha utilizado una plataforma en la nube. También explorará herramientas como PyTorch Lightning, Optuna y MLFlow que facilitan la creación de canalizaciones y el escalado de sus modelos de aprendizaje profundo en producción.

Contenido

Reduzca o elimine la gestión de la infraestructura de ML

Aprender herramientas de MLOps de última generación como PyTorch Lightning y MLFlow

Implemente canalizaciones de formación como un punto final de servicio

Supervise y gestione el ciclo de vida de su canalización

Mida las mejoras de rendimiento

Acerca del lector

Los lectores necesitan saber Python, SQL y los fundamentos del aprendizaje automático. No se requiere experiencia en la nube.

Sobre el autor

Carl Osipov implementó su primera red neuronal en 2000 y ha trabajado en aprendizaje profundo y aprendizaje automático en Google e IBM.

Índice de contenidos

PARTE 1 - DOMINAR EL CONJUNTO DE DATOS

1 Introducción al aprendizaje automático sin servidor

2 Introducción al conjunto de datos

3 Exploración y preparación del conjunto de datos

4 Más análisis exploratorio y preparación de datos

PARTE 2 - PYTORCH PARA EL APRENDIZAJE AUTOMÁTICO SIN SERVIDOR

5 Introducción a PyTorch: Fundamentos de los Tensores

6 Núcleo de PyTorch: Autograd, optimizadores y utilidades

7 Aprendizaje automático sin servidor a escala

8 Escalando con entrenamiento distribuido

PARTE 3 - PIPELINE DE APRENDIZAJE AUTOMÁTICO SIN SERVIDOR

9 Selección de características

10 Adopción de PyTorch Lightning

11 Optimización de hiperparámetros

12 Canal de aprendizaje automático