Kubeflow pro strojové učení: Z laboratoře do výroby

Recenze čtenářů

Kniha poskytuje komplexní úvod do Kubeflow a jeho ekosystému v kontextu strojového učení a cloudového vývoje. Je oceňována pro svou uspořádanou strukturu, hodnotný obsah a praktické příklady, díky čemuž je vhodným zdrojem informací pro ty, kteří se s Kubeflow teprve seznamují. Někteří uživatelé však měli pocit, že může být místy nepřehledná, a zaznamenali problémy se zastaralým obsahem a kvalitou tisku.

⬤ Ucelený přehled o Kubeflow
⬤ dobře organizovaný a strukturovaný
⬤ dobré příklady pro praktické použití
⬤ cenný pro začátečníky i ty, kteří mají nějaké zkušenosti
⬤ pomáhá při pochopení nasazovacích potrubí
⬤ rozumná cena.

⬤ Nekonzistentní tón mezi jednotlivými kapitolami
⬤ některý obsah je zastaralý
⬤ černobílé obrázky/kód v tištěné verzi
⬤ někteří čtenáři zjistili, že se čte spíše jako dokumentace než jako kniha
⬤ nedoporučujeme pro úplné začátečníky bez předchozí znalosti Kubernetes nebo nástrojů strojového učení.

(na základě 9 hodnocení čtenářů)

Původní název:

Kubeflow for Machine Learning: From Lab to Production

Obsah knihy:

Pokud trénujete model strojového učení, ale nejste si jisti, jak jej nasadit do výroby, tato kniha vám pomůže. Kubeflow poskytuje kolekci cloudových nativních nástrojů pro různé fáze životního cyklu modelu, od průzkumu dat, přípravy funkcí a trénování modelu až po jeho obsluhu. Tato příručka pomáhá datovým vědcům vytvářet implementace strojového učení na produkční úrovni pomocí Kubeflow a datovým inženýrům ukazuje, jak zajistit, aby modely byly škálovatelné a spolehlivé.

Na příkladech v celé knize autoři Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu a Boris Lublinsky vysvětlují, jak používat Kubeflow k trénování a obsluze modelů strojového učení nad Kubernetes v cloudu nebo ve vývojovém prostředí on-premises.

⬤ Poznejte návrh Kubeflow, jeho základní komponenty a problémy, které řeší.

⬤ Pochopit rozdíly mezi Kubeflow na různých typech clusterů.

⬤ Trénovat modely pomocí Kubeflow s populárními nástroji včetně Scikit-learn, TensorFlow a Apache Spark.

⬤ Udržujte svůj model aktuální pomocí Kubeflow Pipelines.

⬤ Pochopit, jak zachytit metadata pro trénování modelu.

⬤ Prozkoumejte, jak rozšířit Kubeflow o další open source nástroje.

⬤ Využívat ladění hyperparametrů pro trénování.

⬤ Naučte se, jak obsluhovat svůj model v produkci.