Kubeflow para el aprendizaje automático: Del laboratorio a la producción

Opiniones de los lectores

El libro proporciona una introducción completa a Kubeflow y su ecosistema en el contexto del aprendizaje automático y el desarrollo nativo en la nube. Es apreciado por su estructura organizada, contenido valioso y ejemplos prácticos, por lo que es un recurso adecuado para los nuevos en Kubeflow. Sin embargo, algunos usuarios consideraron que podría ser confuso en algunas partes y señalaron problemas con el contenido obsoleto y la calidad de impresión.

⬤ Visión completa de Kubeflow
⬤ bien organizado y estructurado
⬤ buenos ejemplos para el uso práctico
⬤ valioso tanto para principiantes como para aquellos con algo de experiencia
⬤ ayuda en la comprensión de las tuberías de despliegue
⬤ precio razonable.

⬤ Tono inconsistente entre los capítulos
⬤ algunos contenidos están obsoletos
⬤ imágenes/código en blanco y negro en la versión impresa
⬤ algunos lectores encontraron que se lee más como documentación que como un libro
⬤ no recomendado para principiantes absolutos sin conocimientos previos de Kubernetes o herramientas de aprendizaje automático.

(basado en 9 opiniones de lectores)

Título original:

Kubeflow for Machine Learning: From Lab to Production

Contenido del libro:

Si está entrenando un modelo de aprendizaje automático pero no está seguro de cómo ponerlo en producción, este libro le ayudará. Kubeflow proporciona una colección de herramientas nativas de la nube para diferentes etapas del ciclo de vida de un modelo, desde la exploración de datos, la preparación de características y el entrenamiento de modelos hasta el servicio de modelos. Esta guía ayuda a los científicos de datos a crear implementaciones de aprendizaje automático de nivel de producción con Kubeflow y muestra a los ingenieros de datos cómo hacer que los modelos sean escalables y fiables.

Utilizando ejemplos a lo largo del libro, los autores Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu y Boris Lublinsky explican cómo utilizar Kubeflow para entrenar y servir sus modelos de aprendizaje automático sobre Kubernetes en la nube o en un entorno de desarrollo local.

⬤ Comprender el diseño de Kubeflow, sus componentes principales y los problemas que resuelve.

⬤ Comprender las diferencias entre Kubeflow en diferentes tipos de clúster.

⬤ Entrenar modelos usando Kubeflow con herramientas populares incluyendo Scikit-learn, TensorFlow, y Apache Spark.

⬤ Mantenga su modelo actualizado con Kubeflow Pipelines.

⬤ Comprender cómo capturar los metadatos de entrenamiento del modelo.

⬤ Explorar cómo extender Kubeflow con herramientas adicionales de código abierto.

⬤ Utilizar el ajuste de hiperparámetros para el entrenamiento.

⬤ Aprenda cómo servir su modelo en producción.