类似推荐
编辑推荐
本书是MLOps的综合指南，适用于所有机器学习从业人员。
内容简介
本书依次介绍了DevOps和MLOps的理论和实践、如何设置持续集成和持续交付、Kaizen三部分内容。
与云计算相关的MLOps分为三章，涵盖AWS、Azure和GCP（谷歌云平台）。之后介绍了机器学习互操作性、构建MLOps命令行工具和微服务。这些主题包括许多具有积极吸引力的尖端新兴技术，结尾另提供真实研究案例。
章节目录
版权信息
O'Reilly Media，Inc. 介绍
前言
第1章 MLOps简介
1.1 机器学习工程师和MLOps的兴起
1.2 什么是MLOps
1.3 DevOps和MLOps
1.4 MLOps需求层次
1.4.1 实施DevOps
1.4.2 GitHub Actions持续集成环境配置
1.4.3 DataOps和数据工程
1.4.4 平台自动化
1.4.5 MLOps
1.5 小结
练习题
独立思考和讨论
第2章 MLOps基础
2.1 Bash和Linux命令行
2.2 云端shell开发环境
2.3 Bash shell和常用命令
2.3.1 遍历文件
2.3.2 运行命令
2.3.3 文件和导航
2.3.4 输入/输出
2.3.5 配置
2.3.6 编写脚本
2.4 云计算基础和构建模块
2.5 云计算入门
2.6 Python速成课程
2.7 Python极简教程
2.8 程序员的数学速成课程
2.8.1 描述性统计和正态分布
2.8.2 优化
2.9 机器学习关键概念
2.10 开展数据科学工作
2.11 从零开始构建一个MLOps管道
2.12 小结
练习题
独立思考和讨论
第3章 容器和边缘设备的MLOps
3.1 容器
3.1.1 容器运行时
3.1.2 创建容器
3.1.3 运行容器
3.1.4 最佳实践
3.1.5 使用HTTP提供模型服务
3.2 边缘设备
3.2.1 Coral
3.2.2 Azure Percept
3.2.3 TFHub
3.2.4 移植非TPU模型
3.3 托管机器学习系统的容器
3.3.1 MLOps货币化中的容器
3.3.2 一次构建，运行多个MLOps工作流
3.4 小结
练习题
独立思考和讨论
第4章 机器学习模型的持续交付
4.1 机器学习模型打包
4.2 机器学习模型持续交付中的基础设施即代码
4.3 使用云管道
4.3.1 模型的受控展开
4.3.2 模型部署的测试技术
4.4 小结
练习题
独立思考和讨论
第5章 AutoML和KaizenML
5.1 AutoML
5.1.1 MLOps工业革命
5.1.2 Kaizen和KaizenML
5.1.3 特征仓库
5.2 苹果生态系统
5.2.1 苹果的AutoML：Create ML
5.2.2 苹果的Core ML工具
5.3 谷歌的AutoML和边缘计算机视觉
5.4 Azure的AutoML
5.5 AWS的AutoML
5.6 开源AutoML解决方案
5.6.1 Ludwig
5.6.2 FLAML
5.7 模型可解释性
5.8 小结
练习题
独立思考和讨论
第6章 监控和日志
6.1 云MLOps的可观测性
6.2 日志记录简介
6.3 Python中的日志记录
6.3.1 修改日志级别
6.3.2 不同应用程序的日志记录
6.4 监控及可观测性
6.4.1 模型监控基础
6.4.2 使用AWS SageMaker监控漂移
6.4.3 使用Azure机器学习监控漂移
6.5 小结
练习题
独立思考和讨论
第7章 AWS的MLOps
7.1 AWS简介
7.1.1 AWS服务入门
7.1.2 AWS上的MLOps
7.2 AWS上的MLOps Cookbook
7.2.1 命令行工具
7.2.2 Flask微服务
7.3 AWS Lambda方法
7.3.1 AWS本地Lambda-SAM
7.3.2 AWS Lambda-SAM容器化部署
7.4 将AWS机器学习应用于现实世界
7.5 小结
练习题
独立思考和讨论
第8章 Azure的MLOps
8.1 Azure CLI和Python SDK
8.2 身份认证
8.2.1 服务主体
8.2.2 API服务的身份认证
8.3 计算实例
8.4 部署
8.4.1 注册模型
8.4.2 数据集的版本控制
8.5 将模型部署到计算集群
8.5.1 配置集群
8.5.2 部署模型
8.6 部署问题排查
8.6.1 检索日志
8.6.2 Application Insights
8.6.3 本地调试
8.7 Azure机器学习管道
8.7.1 发布管道
8.7.2 Azure机器学习设计器
8.8 机器学习生命周期
8.9 小结
练习题
独立思考和讨论
第9章 谷歌云平台的MLOps
9.1 谷歌云平台概览
9.1.1 持续集成和持续交付
9.1.2 Kubernetes Hello World
9.1.3 云原生数据库选型和设计
9.2 谷歌云平台上的DataOps：应用数据工程
9.3 机器学习模型运维
9.4 小结
练习题
独立思考和讨论
第10章 机器学习互操作性
10.1 为什么互操作性至关重要
10.2 ONNX：开放式神经网络交换
10.2.1 ONNX Model Zoo
10.2.2 将PyTorch转换为ONNX
10.2.3 创建通用ONNX检查器
10.2.4 将TensorFlow转换为ONNX
10.2.5 将ONNX部署到Azure
10.3 苹果的Core ML
10.4 边缘集成
10.5 小结
练习题
独立思考和讨论
第11章 构建MLOps命令行工具和微服务
11.1 Python打包
11.2 依赖文件
11.3 命令行工具
11.3.1 创建数据集linter
11.3.2 模块化命令行工具
11.4 微服务
11.4.1 创建无服务器函数
11.4.2 云函数授权
11.4.3 构建基于云的CLI
11.5 机器学习CLI工作流
11.6 小结
练习题
独立思考和讨论
第12章 机器学习工程和MLOps案例研究
12.1 在构建机器学习模型时无知带来的难以置信的收益
12.2 Sqor运动社交网络中的MLOps工程
12.2.1 土耳其机器人数据标注
12.2.2 影响者排名
12.2.3 运动员智能
12.3 完美技术与现实世界
12.4 MLOps中的关键挑战
12.4.1 道德和意外后果
12.4.2 缺乏卓越运营
12.4.3 关注预测准确性而非全局
12.5 实施MLOps的最终建议
12.5.1 数据治理和网络安全
12.5.2 MLOps设计模式
12.6 小结
练习题
独立思考和讨论
附录
附录A 关键术语
附录B 技术认证
附录C 远程工作
附录D 像VC一样思考你的职业生涯
附录E 构建MLOps技术组合
附录F 数据科学案例研究：间歇性禁食
附录G 附加的教育资源
附录H 技术项目管理
关于作者
关于封面
MLOps权威指南是2023年由机械工业出版社出版,作者[美] 诺亚·吉夫特。
得书感谢您对《MLOps权威指南》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
