Budování potrubí strojového učení: Automatizace životních cyklů modelů pomocí Tensorflow

Recenze čtenářů

Kniha je považována za důležitý zdroj informací pro odborníky z praxe a výzkumné pracovníky, kteří se chtějí učit a vytvářet pipeline strojového učení pomocí TensorFlow Extended (TFX) a Apache Beam. Poskytuje srozumitelný úvod, cenné poznatky a praktický přístup. Její příklady však mohou být zastaralé, některé kódy je obtížné reprodukovat a z její celkové hodnoty panují smíšené pocity.

⬤ Nezbytný zdroj informací pro odborníky na TFX a inženýry ML.
⬤ Jasné, stručné a dobře strukturované vysvětlení.
⬤ Komplexní pokrytí vývoje a automatizace potrubí strojového učení.
⬤ Velmi málo dostupných zdrojů pro TFX, díky čemuž je tato kniha obzvláště cenná.
⬤ Dostatečně poutavé na to, abyste se jimi rychle prokousali.

⬤ Příklady mohou vycházet ze starší verze TFX.
⬤ Některé ukázky kódu nelze reprodukovat bez revize.
⬤ Některé recenze naznačují, že obsah je chudý a nestojí za cenu.
⬤ Pro plné pochopení může být zapotřebí solidní zázemí v oblasti strojového učení.

(na základě 9 hodnocení čtenářů)

Původní název:

Building Machine Learning Pipelines: Automating Model Life Cycles with Tensorflow

Obsah knihy:

Společnosti utrácejí miliardy za projekty strojového učení, ale jsou to vyhozené peníze, pokud modely nelze efektivně nasadit. V tomto praktickém průvodci vás Hannes Hapke a Catherine Nelson provedou jednotlivými kroky automatizace pipeline strojového učení pomocí ekosystému TensorFlow. Seznámíte se s technikami a nástroji, které zkrátí dobu nasazení ze dnů na minuty, takže se budete moci soustředit na vývoj nových modelů místo údržby starších systémů.

Datoví vědci, inženýři strojového učení a inženýři DevOps zjistí, jak jít nad rámec vývoje modelů a úspěšně produktivizovat své projekty datové vědy, zatímco manažeři lépe pochopí, jakou roli hrají při pomoci urychlit tyto projekty.

⬤ Poznejte kroky k vytvoření pipeline strojového učení.

⬤ Sestavte si pipeline pomocí komponent z TensorFlow Extended.

⬤ Vyzkoušejte si pipeline strojového učení pomocí Apache Beam, Apache Airflow a Kubeflow Pipelines.

⬤ Pracujte s daty pomocí TensorFlow Data Validation a TensorFlow Transform.

⬤ Podrobná analýza modelu pomocí TensorFlow Model Analysis.

⬤ Zkoumejte spravedlnost a zkreslení výkonu modelu.

⬤ Používejte modely pomocí TensorFlow Serving nebo TensorFlow Lite pro mobilní zařízení.

⬤ Učte se techniky strojového učení zachovávající soukromí.