Practical Mlops: Operationalizing Machine Learning Models

Opiniones de los lectores

El libro ofrece una exploración exhaustiva de la ingeniería de ML y MLOps, con consejos prácticos e historias personales. Sin embargo, ha recibido críticas por su calidad de impresión, organización y algunos contenidos superficiales.

⬤ Cubre tanto la teoría como la práctica de ML Engineering y MLOps
⬤ contiene consejos prácticos y anécdotas personales
⬤ elogiado por sus instrucciones paso a paso sobre la implementación de modelos en AWS
⬤ proporciona información sólida para los profesionales
⬤ incluye detalles sobre las principales plataformas en la nube.

⬤ No apto para principiantes
⬤ mala calidad de la versión impresa
⬤ estructura desorganizada
⬤ carece de profundidad en algunas áreas
⬤ algunos usuarios consideraron que se parecía más a una colección de entradas de blog que a un libro cohesionado
⬤ incluye autopromoción del autor.

(basado en 14 opiniones de lectores)

Contenido del libro:

Poner sus modelos en producción es el reto fundamental del aprendizaje automático. MLOps ofrece un conjunto de principios probados destinados a resolver este problema de forma fiable y automatizada. Esta perspicaz guía le explica qué es MLOps (y en qué se diferencia de DevOps) y le muestra cómo ponerlo en práctica para hacer operativos sus modelos de aprendizaje automático.

Los ingenieros de aprendizaje automático actuales y aspirantes, o cualquier persona familiarizada con la ciencia de datos y Python, construirán una base en herramientas y métodos de MLOps (junto con AutoML y monitorización y registro), y luego aprenderán a implementarlos en AWS, Microsoft Azure y Google Cloud. Cuanto más rápido entregue un sistema de aprendizaje automático que funcione, más rápido podrá centrarse en los problemas empresariales que está intentando resolver. Este libro le da una ventaja.

Descubrirá cómo:

⬤ Aplicar las mejores prácticas de DevOps al aprendizaje automático.

⬤ Construir sistemas de aprendizaje automático de producción y mantenerlos.

⬤ Monitorizar, instrumentar, probar y poner en funcionamiento sistemas de aprendizaje automático.

⬤ Elegir las herramientas MLOps correctas para una tarea de aprendizaje automático determinada.

⬤ Ejecutar modelos de aprendizaje automático en una variedad de plataformas y dispositivos, incluyendo teléfonos móviles y hardware especializado.