0 رای
وضعیت موجودی موجود

قیمت قبلی: 5,040,000 ریال
قیمت: 4,640,000 ریال


جلد سخت سیاه و سفید

Product details

  • Publisher ‏ : ‎ Manning (March 1, 2022)
  • Language ‏ : ‎ English
  • Paperback ‏ : ‎ 344 pages
  • ISBN-10 ‏ : ‎ 1617297763
  • ISBN-13 ‏ : ‎ 978-1617297762


 

کتاب MLOps Engineering at Scale

Dodge costly and time-consuming infrastructure tasks, and rapidly bring your machine learning models to production with MLOps and pre-built serverless tools!

In MLOps Engineering at Scale you will learn:

    Extracting, transforming, and loading datasets
    Querying datasets with SQL
    Understanding automatic differentiation in PyTorch
    Deploying model training pipelines as a service endpoint
    Monitoring and managing your pipeline’s life cycle
    Measuring performance improvements


MLOps Engineering at Scale shows you how to put machine learning into production efficiently by using pre-built services from AWS and other cloud vendors. You’ll learn how to rapidly create flexible and scalable machine learning systems without laboring over time-consuming operational tasks or taking on the costly overhead of physical hardware. Following a real-world use case for calculating taxi fares, you will engineer an MLOps pipeline for a PyTorch model using AWS server-less capabilities.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
A production-ready machine learning system includes efficient data pipelines, integrated monitoring, and means to scale up and down based on demand. Using cloud-based services to implement ML infrastructure reduces development time and lowers hosting costs. Serverless MLOps eliminates the need to build and maintain custom infrastructure, so you can concentrate on your data, models, and algorithms.

About the book

MLOps Engineering at Scale teaches you how to implement efficient machine learning systems using pre-built services from AWS and other cloud vendors. This easy-to-follow book guides you step-by-step as you set up your serverless ML infrastructure, even if you’ve never used a cloud platform before. You’ll also explore tools like PyTorch Lightning, Optuna, and MLFlow that make it easy to build pipelines and scale your deep learning models in production.

What's inside

    Reduce or eliminate ML infrastructure management
    Learn state-of-the-art MLOps tools like PyTorch Lightning and MLFlow
    Deploy training pipelines as a service endpoint
    Monitor and manage your pipeline’s life cycle
    Measure performance improvements

About the reader
Readers need to know Python, SQL, and the basics of machine learning. No cloud experience required.

About the author

Carl Osipov implemented his first neural net in 2000 and has worked on deep learning and machine learning at Google and IBM.

Table of Contents

PART 1 - MASTERING THE DATA SET
1 Introduction to serverless machine learning
2 Getting started with the data set
3 Exploring and preparing the data set
4 More exploratory data analysis and data preparation
PART 2 - PYTORCH FOR SERVERLESS MACHINE LEARNING
5 Introducing PyTorch: Tensor basics
6 Core PyTorch: Autograd, optimizers, and utilities
7 Serverless machine learning at scale
8 Scaling out with distributed training
PART 3 - SERVERLESS MACHINE LEARNING PIPELINE
9 Feature selection
10 Adopting PyTorch Lightning
11 Hyperparameter optimization
12 Machine learning pipeline

منابع کتاب کتاب MLOps Engineering at Scale

کارهای زیرساختی پرهزینه و وقت گیر را دور بزنید و به سرعت مدل های یادگیری ماشینی خود را با MLO و ابزارهای از پیش ساخته شده بدون سرور به تولید برسانید!

در MLOps Engineering در مقیاس یاد خواهید گرفت:

    استخراج، تبدیل و بارگذاری مجموعه داده‌ها جستجو در
    مجموعه داده‌ها با SQL
    درک تمایز خودکار در PyTorch
    استقرار خطوط لوله آموزشی مدل به عنوان نقطه پایانی خدمات
    نظارت و مدیریت چرخه عمر خط لوله شما
    اندازه‌گیری بهبود عملکرد


MLOps Engineering در مقیاسبه شما نشان می دهد که چگونه با استفاده از خدمات از پیش ساخته شده از AWS و سایر فروشندگان ابری، یادگیری ماشین را به طور موثر وارد تولید کنید. شما یاد خواهید گرفت که چگونه به سرعت سیستم‌های یادگیری ماشینی انعطاف‌پذیر و مقیاس‌پذیر ایجاد کنید، بدون اینکه کارهای عملیاتی وقت‌گیر را انجام دهید یا هزینه‌های سنگین سخت‌افزار فیزیکی را بر عهده بگیرید. به دنبال یک مورد استفاده در دنیای واقعی برای محاسبه کرایه تاکسی، شما یک خط لوله MLOps را برای مدل PyTorch با استفاده از قابلیت‌های بدون سرور AWS مهندسی می‌کنید.

خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات منینگ است.

در مورد تکنولوژی
یک سیستم یادگیری ماشینی آماده تولید شامل خطوط لوله داده کارآمد، نظارت یکپارچه، و ابزارهایی برای افزایش و کاهش بر اساس تقاضا است. استفاده از خدمات مبتنی بر ابر برای پیاده سازی زیرساخت ML زمان توسعه را کاهش می دهد و هزینه های میزبانی را کاهش می دهد. MLO های بدون سرور نیاز به ساخت و نگهداری زیرساخت های سفارشی را از بین می برد، بنابراین می توانید روی داده ها، مدل ها و الگوریتم های خود تمرکز کنید.

درباره کتاب

MLOps Engineering at Scaleبه شما می آموزد که چگونه سیستم های یادگیری ماشینی کارآمد را با استفاده از خدمات از پیش ساخته شده از AWS و سایر فروشندگان ابری پیاده سازی کنید. این کتاب که به راحتی قابل دنبال کردن است، هنگام راه‌اندازی زیرساخت‌های ML بدون سرور، گام به گام شما را راهنمایی می‌کند، حتی اگر قبلاً از یک پلتفرم ابری استفاده نکرده‌اید. همچنین ابزارهایی مانند PyTorch Lightning، Optuna و MLFlow را بررسی خواهید کرد که ساخت خطوط لوله و مقیاس‌بندی مدل‌های یادگیری عمیق خود را در تولید آسان می‌کنند.

آنچه در داخل است

    کاهش یا حذف مدیریت زیرساخت ML
    یادگیری ابزارهای پیشرفته MLOps مانند PyTorch Lightning و MLFlow
    استقرار خطوط لوله آموزشی به عنوان نقطه پایانی خدمات
    نظارت و مدیریت چرخه عمر خط لوله خود را
    اندازه گیری بهبود عملکرد

درباره خواننده
خوانندگان باید پایتون، SQL و اصول یادگیری ماشین را بدانند. بدون نیاز به تجربه ابری

درباره نویسنده

کارل اوسیپوف اولین شبکه عصبی خود را در سال 2000 پیاده سازی کرد و روی یادگیری عمیق و یادگیری ماشین در گوگل و IBM کار کرده است.

فهرست مطالب

بخش 1 - تسلط بر مجموعه داده ها
1 مقدمه ای بر یادگیری ماشین بدون سرور
2 شروع به کار با مجموعه داده
3 کاوش و آماده سازی مجموعه داده
4 تجزیه و تحلیل داده های اکتشافی بیشتر و آماده سازی داده ها
قسمت 2 - PYTORCH برای یادگیری ماشین بدون سرور
5 معرفی PyTorch: اصول اولیه Tensor
6 Core PyTorch: Autograd، بهینه سازها و ابزارهای کمکی
7 یادگیری ماشین بدون سرور در مقیاس
8 کاهش مقیاس با آموزش توزیع شده
بخش 3 - خط لوله یادگیری ماشین بدون سرور
9 انتخاب ویژگی
10 اتخاذ PyTorch Lightning
11 بهینه سازی فراپارامتر
12 خط لوله یادگیری ماشین

نظرات کاربران درباره کتاب MLOps Engineering at Scale

نظری در مورد این محصول توسط کاربران ارسال نگردیده است.
اولین نفری باشید که در مورد کتاب MLOps Engineering at Scale نظر می دهد.

ارسال نظر درباره کتاب MLOps Engineering at Scale

لطفا توجه داشته باشید که ایمیل شما منتشر نخواهد شد.

برچسب های مرتبط با کتاب MLOps Engineering at Scale

Computers&Technology انتشارات طلایی

بر اساس سلیقه شما...

  جلد سخت سیاه و سفید Product details Publis ...
6,610,000 ریال
جلد سخت سیاه و سفید Product details Publisher ‏ : & ...
6,920,000 ریال
  جلد سخت سیاه و سفید Product details Publis ...
3,280,000 ریال
  جلد سخت سیاه و سفید Product details Publis ...
6,460,000 ریال

codebazan

طراحی و اجرا: فروشگاه ساز سبدخرید