0 رای
وضعیت موجودی موجود

قیمت قبلی: 4,480,000 ریال
قیمت: 4,080,000 ریال

 



جلد سخت سیاه و سفید

Product details

  • Publisher ‏ : ‎ Packt Publishing (July 8, 2022)
  • Language ‏ : ‎ English
  • Paperback ‏ : ‎ 288 pages
  • ISBN-10 ‏ : ‎ 1803241330
  • ISBN-13 ‏ : ‎ 978-1803241333


 

کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production

Train, test, run, track, store, tune, deploy, and explain provenance-aware deep learning models and pipelines at scale with reproducibility using MLflow

Key Features

  • Focus on deep learning models and MLflow to develop practical business AI solutions at scale
  • Ship deep learning pipelines from experimentation to production with provenance tracking
  • Learn to train, run, tune and deploy deep learning pipelines with explainability and reproducibility

Book Description

The book starts with an overview of the deep learning (DL) life cycle and the emerging Machine Learning Ops (MLOps) field, providing a clear picture of the four pillars of deep learning: data, model, code, and explainability and the role of MLflow in these areas.

From there onward, it guides you step by step in understanding the concept of MLflow experiments and usage patterns, using MLflow as a unified framework to track DL data, code and pipelines, models, parameters, and metrics at scale. You'll also tackle running DL pipelines in a distributed execution environment with reproducibility and provenance tracking, and tuning DL models through hyperparameter optimization (HPO) with Ray Tune, Optuna, and HyperBand. As you progress, you'll learn how to build a multi-step DL inference pipeline with preprocessing and postprocessing steps, deploy a DL inference pipeline for production using Ray Serve and AWS SageMaker, and finally create a DL explanation as a service (EaaS) using the popular Shapley Additive Explanations (SHAP) toolbox.

By the end of this book, you'll have built the foundation and gained the hands-on experience you need to develop a DL pipeline solution from initial offline experimentation to final deployment and production, all within a reproducible and open source framework.

What you will learn

  • Understand MLOps and deep learning life cycle development
  • Track deep learning models, code, data, parameters, and metrics
  • Build, deploy, and run deep learning model pipelines anywhere
  • Run hyperparameter optimization at scale to tune deep learning models
  • Build production-grade multi-step deep learning inference pipelines
  • Implement scalable deep learning explainability as a service
  • Deploy deep learning batch and streaming inference services
  • Ship practical NLP solutions from experimentation to production

Who this book is for

This book is for machine learning practitioners including data scientists, data engineers, ML engineers, and scientists who want to build scalable full life cycle deep learning pipelines with reproducibility and provenance tracking using MLflow. A basic understanding of data science and machine learning is necessary to grasp the concepts presented in this book.

Table of Contents

  1. Deep Learning Life Cycle and MLOps Challenges
  2. Getting Started with MLflow for Deep Learning
  3. Tracking Models, Parameters, and Metrics
  4. Tracking Code and Data Versioning
  5. Running DL Pipelines in Different Environments
  6. Running Hyperparameter Tuning at Scale
  7. Multi-Step Deep Learning Inference Pipeline
  8. Deploying a DL Inference Pipeline at Scale
  9. Fundamentals of Deep Learning Explainability
  10. Implementing DL Explainability with MLflow

منابع کتاب کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production

آموزش، آزمایش، اجرا، پیگیری، ذخیره، تنظیم، استقرار، و توضیح مدل‌ها و خطوط لوله یادگیری عمیق آگاه از منشأ در مقیاس با قابلیت تکرارپذیری با استفاده از MLflow

ویژگی های کلیدی

  • بر روی مدل‌های یادگیری عمیق و MLflow تمرکز کنید تا راه‌حل‌های کاربردی هوش مصنوعی تجاری را در مقیاس توسعه دهید
  • خطوط لوله یادگیری عمیق را از آزمایش تا تولید با ردیابی منشأ ارسال کنید
  • آموزش، اجرا، تنظیم و استقرار خطوط لوله یادگیری عمیق با قابلیت توضیح و تکرارپذیری را بیاموزید

توضیحات کتاب

این کتاب با مروری بر چرخه زندگی یادگیری عمیق (DL) و زمینه نوظهور عملیات یادگیری ماشین (MLOps) شروع می‌شود و تصویر روشنی از چهار ستون یادگیری عمیق ارائه می‌کند: داده، مدل، کد، و توضیح‌پذیری و نقش جریان ML در این مناطق.

از آنجا به بعد، شما را گام به گام در درک مفهوم آزمایش‌های MLflow و الگوهای استفاده، با استفاده از MLflow به عنوان یک چارچوب یکپارچه برای ردیابی داده‌های DL، کد و خطوط لوله، مدل‌ها، پارامترها و معیارها در مقیاس راهنمایی می‌کند. شما همچنین با اجرای خطوط لوله DL در یک محیط اجرای توزیع شده با قابلیت تکرار و ردیابی منشأ، و تنظیم مدل های DL از طریق بهینه سازی هایپرپارامتر (HPO) با Ray Tune، Optuna و HyperBand مقابله خواهید کرد. همانطور که پیشرفت می کنید، یاد خواهید گرفت که چگونه یک خط لوله استنتاج DL چند مرحله ای با مراحل پیش پردازش و پس پردازش بسازید، یک خط لوله استنتاج DL را برای تولید با استفاده از Ray Serve و AWS SageMaker مستقر کنید و در نهایت یک توضیح DL را به عنوان یک سرویس (EaaS) ایجاد کنید. با استفاده از جعبه ابزار محبوب Shapley Additive Explanations (SHAP).

در پایان این کتاب، شما پایه و اساس را ایجاد کرده اید و تجربه عملی مورد نیاز برای توسعه راه حل خط لوله DL از آزمایش اولیه آفلاین تا استقرار و تولید نهایی را به دست خواهید آورد، همه در یک چارچوب قابل تکرار و منبع باز.

آنچه خواهید آموخت

  • MLO ها و توسعه چرخه زندگی یادگیری عمیق را درک کنید
  • مدل‌ها، کدها، داده‌ها، پارامترها و معیارهای یادگیری عمیق را ردیابی کنید
  • خطوط لوله مدل یادگیری عمیق را در هر کجا بسازید، مستقر کنید و اجرا کنید
  • برای تنظیم مدل های یادگیری عمیق، بهینه سازی هایپرپارامتر را در مقیاس اجرا کنید
  • خطوط لوله استنتاج یادگیری عمیق چند مرحله ای درجه تولید بسازید
  • قابلیت توضیح یادگیری عمیق مقیاس پذیر را به عنوان یک سرویس پیاده سازی کنید
  • خدمات دسته‌ای یادگیری عمیق و استنتاج جریانی را مستقر کنید
  • راه حل های عملی NLP را از آزمایش تا تولید ارسال کنید

این کتاب برای چه کسی است

این کتاب برای متخصصان یادگیری ماشین از جمله دانشمندان داده، مهندسان داده، مهندسان ML و دانشمندانی است که می‌خواهند خطوط لوله یادگیری عمیق چرخه عمر کامل مقیاس‌پذیر را با قابلیت تکرارپذیری و ردیابی منشأ با استفاده از MLflow بسازند. برای درک مفاهیم ارائه شده در این کتاب، درک اولیه علم داده و یادگیری ماشین ضروری است.

فهرست مطالب

  1. چرخه زندگی یادگیری عمیق و چالش های MLOps
  2. شروع کار با MLflow برای یادگیری عمیق
  3. ردیابی مدل ها، پارامترها و معیارها
  4. کد رهگیری و نسخه سازی داده ها
  5. اجرای خطوط لوله DL در محیط های مختلف
  6. اجرای تنظیم فراپارامتر در مقیاس
  7. خط لوله استنتاج یادگیری عمیق چند مرحله ای
  8. استقرار یک خط لوله استنتاج DL در مقیاس
  9. مبانی توضیح پذیری یادگیری عمیق
  10. پیاده سازی DL Explainability با MLflow

نظرات کاربران درباره کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production

نظری در مورد این محصول توسط کاربران ارسال نگردیده است.
اولین نفری باشید که در مورد کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production نظر می دهد.

ارسال نظر درباره کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production

لطفا توجه داشته باشید که ایمیل شما منتشر نخواهد شد.

برچسب های مرتبط با کتاب Practical Deep Learning at Scale with MLflow: Bridge the gap between offline experimentation and online production

Computers&Technology انتشارات طلایی

بر اساس سلیقه شما...

  جلد سخت سیاه و سفید Product details Publis ...
3,600,000 ریال
  جلد سخت سیاه و سفید Product details Publis ...
2,800,000 ریال
  جلد سخت سیاه و سفید Product details Publis ...
3,280,000 ریال

codebazan

طراحی و اجرا: فروشگاه ساز سبدخرید