Mastering Mlops Architecture: From Code to Deployment: Gestione el ciclo de producción de modelos ML de aprendizaje continuo con Mlops

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Mastering Mlops Architecture: From Code to Deployment: Manage the Production Cycle of Continual Learning ML Models with Mlops

Contenido del libro:

Aproveche la potencia de MLOps para gestionar el ciclo de proyectos de aprendizaje automático en tiempo real

Características principales.

● Cobertura exhaustiva de conceptos, arquitectura, herramientas y técnicas de MLOps.

● Enfoque práctico en la construcción de sistemas ML de extremo a extremo para el aprendizaje continuo con MLOps.

● Ideas procesables sobre CI / CD, monitoreo, capacitación continua de modelos y reentrenamiento automatizado.

Descripción

MLOps, una combinación de DevOps, ingeniería de datos y aprendizaje automático, es crucial para ofrecer resultados de aprendizaje automático de alta calidad debido a la naturaleza dinámica de los datos de aprendizaje automático. Este libro profundiza en MLOps, cubriendo sus conceptos básicos, componentes y arquitectura, demostrando cómo MLOps fomenta sistemas de aprendizaje automático robustos y en continua mejora.

Al cubrir el proceso de aprendizaje automático de principio a fin, desde los datos hasta el despliegue, el libro ayuda a los lectores a implementar flujos de trabajo de MLOps. Analiza técnicas como la ingeniería de características, el desarrollo de modelos, las pruebas A/B y los despliegues canarios. El libro proporciona a los lectores conocimientos sobre las herramientas y la infraestructura de MLOps para tareas como el seguimiento de modelos, el gobierno de modelos, la gestión de metadatos y la orquestación de canalizaciones. Se tratan en profundidad los procesos de supervisión y mantenimiento para detectar la degradación de los modelos. Los lectores pueden adquirir habilidades para construir canalizaciones CI/CD eficientes, desplegar modelos más rápidamente y hacer que sus sistemas ML sean más fiables, robustos y listos para la producción.

En general, el libro es una guía indispensable para MLOps y sus aplicaciones para ofrecer valor empresarial a través del aprendizaje automático continuo y la IA.

Lo que aprenderá

● Arquitectar una infraestructura MLOps robusta con componentes como almacenes de características.

● Aprovechar las herramientas MLOps como registros de modelos, almacenes de metadatos, pipelines.

● Construir flujos de trabajo CI/CD para desplegar modelos de forma más rápida y continua.

● Supervisar y mantener modelos en producción para detectar la degradación.

● Crear flujos de trabajo automatizados para reentrenar y actualizar modelos en producción.

A quién va dirigido este libro

Especialistas en machine learning, científicos de datos, profesionales de DevOps, equipos de desarrollo de software y todos aquellos que quieran adoptar el enfoque DevOps en sus experimentos y aplicaciones ágiles de machine learning. Se desean conocimientos previos de aprendizaje automático y programación en Python.

Tabla de contenidos

1. Primeros pasos con MLOps

2. Arquitectura y componentes de MLOps

3. Infraestructura y herramientas de MLOps

4. ¿Qué son los sistemas de aprendizaje automático?

5. Preparación de datos y desarrollo de modelos

6. Despliegue y servicio de modelos

7. Entrega continua de modelos de aprendizaje automático

8. Aprendizaje continuo

9. Supervisión, registro y mantenimiento continuos