Descripción
Capítulo 1: Configuración de su entorno de implementación
Objetivo del capítulo: Este capítulo cubre los pasos desde la lectura de datos, preprocesamiento, ingeniería de características, entrenamiento del modelo y predicción tanto a nivel local como en la nube. Este capítulo proporciona a la audiencia un conjunto de bibliotecas requeridas e información de descarga de código/datos para que el usuario pueda configurar su entorno adecuadamente. Subtemas
- Configuración de su entorno de desarrollo
- Instalación de las bibliotecas requeridas
- Construcción de modelos basados en Python y TensorFlow Capítulo 2: Introducción a la implementación de modelos y desafíos
Número de páginas: 20
Objetivo del capítulo: El capítulo muestra lo que se entiende por implementación y los desafíos asociados con ella.
Subtemas
- Comprensión de la implementación de modelos
- Comprensión de los desafíos
- Arquitectura sin servidor para la implementación Capítulo 3: Implementación de modelos usando Flask
Número de páginas: 25
Objetivo del capítulo: Este capítulo cubre el framework web ligero - Flask para implementar modelos pequeños y simples de aprendizaje automático. Subtemas:
- ¿Qué es Flask?
- Construir un modelo basado en Python
- Implementar modelos de aprendizaje automático usando Flask Capítulo 4: Contenerización de modelos usando Docker
Número de páginas: 30
Objetivo del capítulo: Este capítulo está dedicado a la comprensión de la plataforma Docker. Cubre todos los pasos para contenerizar cualquier modelo, aplicación usando Docker. Subtemas:
- Introducción a Docker
- Construir una imagen Docker personalizada
- Ejecutar un modelo de aprendizaje automático usando Docker Capítulo 5: Introducción a Kubeflow
Número de páginas: 30 Objetivo del capítulo: Este capítulo sirve como introducción a nuestro tema principal del libro: Construir e implementar modelos de aprendizaje automático usando Kubeflow. El capítulo comienza cubriendo varios componentes de Kubeflow y ofrece información sobre sus ventajas sobre otras plataformas.
Subtemas:
- Breve introducción a Kubernetes
- Introducción a Kubeflow
- Componentes de Kubeflow Capítulo 6: Implementación de modelos usando Kubeflow
Número de páginas: 35 Objetivo del capítulo: Este capítulo se enfoca en la implementación industrial de modelos de aprendizaje profundo en Google Cloud Platform usando Kubeflow. Este capítulo también demuestra varias técnicas como el ajuste de hiperparámetros y flujos de trabajo para entrenar y servir los modelos para predicciones.
Subtemas: - Configuración de Google Cloud Platform
- Ajuste de hiperparámetros del modelo
- Entrenamiento y servicio de modelos a escala Capítulo 7: Implementación de modelos usando MLflow Número de páginas: 20
Objetivo del capítulo: Este capítulo cubre la alternativa a Kube de Google.
Autor: Pramod Singh
Editorial: Apress
Publicado: 01/01/2021
Páginas: 150
Tipo de encuadernación: Tapa blanda
Peso: 0.53lbs
Tamaño: 9.21h x 6.14w x 0.35d
ISBN13: 9781484265451
ISBN10: 1484265459
Categorías BISAC:
- Computadoras | Lenguajes | Python
- Computadoras | Inteligencia artificial | General
- Computadoras | Programación | Código abierto
Objetivo del capítulo: Este capítulo cubre los pasos desde la lectura de datos, preprocesamiento, ingeniería de características, entrenamiento del modelo y predicción tanto a nivel local como en la nube. Este capítulo proporciona a la audiencia un conjunto de bibliotecas requeridas e información de descarga de código/datos para que el usuario pueda configurar su entorno adecuadamente. Subtemas
- Configuración de su entorno de desarrollo
- Instalación de las bibliotecas requeridas
- Construcción de modelos basados en Python y TensorFlow Capítulo 2: Introducción a la implementación de modelos y desafíos
Número de páginas: 20
Objetivo del capítulo: El capítulo muestra lo que se entiende por implementación y los desafíos asociados con ella.
Subtemas
- Comprensión de la implementación de modelos
- Comprensión de los desafíos
- Arquitectura sin servidor para la implementación Capítulo 3: Implementación de modelos usando Flask
Número de páginas: 25
Objetivo del capítulo: Este capítulo cubre el framework web ligero - Flask para implementar modelos pequeños y simples de aprendizaje automático. Subtemas:
- ¿Qué es Flask?
- Construir un modelo basado en Python
- Implementar modelos de aprendizaje automático usando Flask Capítulo 4: Contenerización de modelos usando Docker
Número de páginas: 30
Objetivo del capítulo: Este capítulo está dedicado a la comprensión de la plataforma Docker. Cubre todos los pasos para contenerizar cualquier modelo, aplicación usando Docker. Subtemas:
- Introducción a Docker
- Construir una imagen Docker personalizada
- Ejecutar un modelo de aprendizaje automático usando Docker Capítulo 5: Introducción a Kubeflow
Número de páginas: 30 Objetivo del capítulo: Este capítulo sirve como introducción a nuestro tema principal del libro: Construir e implementar modelos de aprendizaje automático usando Kubeflow. El capítulo comienza cubriendo varios componentes de Kubeflow y ofrece información sobre sus ventajas sobre otras plataformas.
Subtemas:
- Breve introducción a Kubernetes
- Introducción a Kubeflow
- Componentes de Kubeflow Capítulo 6: Implementación de modelos usando Kubeflow
Número de páginas: 35 Objetivo del capítulo: Este capítulo se enfoca en la implementación industrial de modelos de aprendizaje profundo en Google Cloud Platform usando Kubeflow. Este capítulo también demuestra varias técnicas como el ajuste de hiperparámetros y flujos de trabajo para entrenar y servir los modelos para predicciones.
Subtemas: - Configuración de Google Cloud Platform
- Ajuste de hiperparámetros del modelo
- Entrenamiento y servicio de modelos a escala Capítulo 7: Implementación de modelos usando MLflow Número de páginas: 20
Objetivo del capítulo: Este capítulo cubre la alternativa a Kube de Google.
Autor: Pramod Singh
Editorial: Apress
Publicado: 01/01/2021
Páginas: 150
Tipo de encuadernación: Tapa blanda
Peso: 0.53lbs
Tamaño: 9.21h x 6.14w x 0.35d
ISBN13: 9781484265451
ISBN10: 1484265459
Categorías BISAC:
- Computadoras | Lenguajes | Python
- Computadoras | Inteligencia artificial | General
- Computadoras | Programación | Código abierto
Acerca del autor
Pramod Singh es Gerente de Ciencia de Datos en Bain & Company. Anteriormente, trabajó como Ingeniero Senior de Aprendizaje Automático en Walmart Labs y Gerente de Ciencia de Datos en Publicis Sapient en la India. Ha dedicado más de 10 años a trabajar en aprendizaje automático, aprendizaje profundo, ingeniería de datos, diseño de algoritmos y desarrollo de aplicaciones. Es autor de tres libros de Apress: Machine Learning with PySpark, Learn PySpark y Learn TensorFlow 2.0. Es un orador habitual en las principales conferencias como Strata Data de O'Reilly, GIDS y otras conferencias de IA. Es un mentor y docente activo en aprendizaje automático e IA en varias instituciones educativas. Vive en Bangalore con su esposa y su hijo de cuatro años. En su tiempo libre, le gusta tocar la guitarra, programar, leer y ver fútbol.