编辑推荐
本书介绍了当前使用MLOps面临的挑战，同时还为开发MLOps功能提供实用的见解和解决方案。
内容简介
本书分为三部分。
第1部分介绍MLOps主题，深入探讨了它是如何（以及为什么）发展成一门学科的、需要谁参与才能成功执行MLOps以及需要哪些组成部分。
第二部分介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监测和治理的章节。第三部分提供了MLOps的具体示例，以便读者了解MLOps在实践中的设置和含义。
作者简介
作者马克·特雷维尔，曾在电信、银行和在线交易等不同领域设计产品。他自己的创业公司引领了英国地方政府的治理革命，至今仍在那里占主导地位。他现在是位于巴黎的Dataiku产品团队的一员。
章节目录
版权信息
关于作者
关于封面
O'Reilly Media, Inc.介绍
业界评论
前言
第一部分 MLOps是什么，为什么要使用MLOps
第1章 为什么现在要使用MLOps，使用MLOps面临的挑战
1.1 定义MLOps及面临的挑战
1.2 使用MLOps以降低风险
1.3 大规模的MLOps
结语
第2章 MLOps的使用人员
2.1 行业专家
2.2 数据科学家
2.3 数据工程师
2.4 软件工程师
2.5 DevOps团队
2.6 模型风险管理者/审计师
2.7 机器学习架构师
结语
第3章 MLOps的主要组成部分
3.1 机器学习入门
3.2 模型开发
3.3 产品化与部署
3.4 监控
3.5 迭代与生命周期
3.6 治理
结语
第二部分 如何实现
第4章 开发模型
4.1 什么是机器学习模型
4.2 数据探索
4.3 特征工程与特征选择
4.4 实验
4.5 评估和比较模型
4.6 版本管理和再现性
结语
第5章 准备投入生产
5.1 运行时环境
5.2 模型风险评估
5.3 机器学习的质量保证
5.4 测试的关键注意事项
5.5 再现性和可审计性
5.6 机器学习安全
5.7 降低模型风险
结语
第6章 部署到生产
6.1 CI/CD管道
6.2 创建ML工件
6.3 部署策略
6.4 容器化
6.5 扩展部署
6.6 需求和挑战
结语
第7章 监控和反馈回路
7.1 模型应该多久接受一次再训练
7.2 理解模型退化
7.3 实践中的漂移检测
7.4 反馈回路
结语
第8章 模型治理
8.1 由谁决定组织的治理需求
8.2 将治理与风险级别相匹配
8.3 推动MLOps治理的现行法规
8.4 新一轮人工智能特定法规
8.5 负责任的人工智能的出现
8.6 负责任的人工智能的关键要素
8.7 MLOps治理模板
结语
第三部分 MLOps具体示例
第9章 实践中的MLOps：消费信贷风险管理
9.1 背景：商业使用案例
9.2 模型开发
9.3 模型偏见考虑
9.4 为生产做准备
9.5 部署到生产环境
结语
第10章 实践中的MLOps：营销推荐引擎
10.1 推荐引擎的兴起
10.2 数据准备
10.3 设计和管理实验
10.4 模型训练和部署
10.5 管道结构和部署策略
10.6 监控和反馈
结语
第11章 实践中的MLOps：消耗预测
11.1 能源系统
11.2 数据收集
11.3 问题定义：机器学习，还是不机器学习
11.4 空间和时间分辨率
11.5 实施
11.6 建模
11.7 部署
11.8 监控
结语
MLOps实战：机器学习模型的开发、部署与应用是2022年由机械工业出版社华章分社出版,作者[英] 马克·特雷维尔。
得书感谢您对《MLOps实战：机器学习模型的开发、部署与应用》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。
