Descripción
Transforme sus proyectos de aprendizaje automático en implementaciones exitosas con esta guía práctica sobre cómo construir y escalar soluciones que resuelvan problemas del mundo real.
Incluye un nuevo capítulo sobre IA generativa y grandes modelos de lenguaje (LLM) y la construcción de un pipeline que aprovecha los LLM usando LangChain.
Características clave:
- Esta segunda edición profundiza en temas clave de aprendizaje automático, CI/CD y diseño de sistemas.
- Explore las prácticas centrales de MLOps, como la gestión de modelos y el monitoreo del rendimiento.
- Construya ejemplos de extremo a extremo de microservicios y pipelines de ML desplegables usando AWS y herramientas de código abierto.
Descripción del libro:
Machine Learning Engineering with Python, 2.ª edición, es la guía práctica que los ingenieros de MLOps y ML necesitan para construir soluciones robustas para resolver problemas del mundo real, brindándole las habilidades y el conocimiento que necesita para mantenerse a la vanguardia en este campo en rápida evolución.
El libro adopta un enfoque práctico y centrado en ejemplos, proporcionando conceptos técnicos esenciales, patrones de implementación y metodologías de desarrollo. Pasará de comprender los pasos clave del ciclo de vida del desarrollo del aprendizaje automático a construir e implementar soluciones robustas de aprendizaje automático. Una vez que domine los conceptos básicos, se familiarizará con las arquitecturas de implementación y descubrirá métodos para escalar sus soluciones.
Esta edición profundiza en la ingeniería de ML y MLOps, con un enfoque más nítido en ML. Llevará CI/CD más allá con capacitación y pruebas continuas y profundizará en la deriva de datos y conceptos.
Con un nuevo capítulo de IA generativa, explore Hugging Face, PyTorch y GitHub Copilot, y consuma un LLM a través de una API usando LangChain. También cubrirá consideraciones de aprendizaje profundo con respecto al flujo de trabajo, hardware y escalado de cargas de trabajo, así como la orquestación de flujos de trabajo con Airflow y Kafka. Y aproveche ZenML como una opción de código abierto para canalizar flujos de datos, y lleve la implementación más allá con implementaciones canary, blue y green.
Lo que aprenderá:
- Planificar y gestionar las etapas de los proyectos de desarrollo de aprendizaje automático.
- Explore ANN, DNN y LLM, y familiarícese con el auge de la IA generativa en MLOps.
- Use Python para empaquetar sus propias herramientas de ML y escalar soluciones con Apache Spark, Kubernetes y Apache Airflow.
- Use AutoML para el ajuste de hiperparámetros.
- Detecte la deriva y construya mecanismos robustos en sus soluciones.
- Potencie su manejo de errores con flujos de control robustos y escaneo de vulnerabilidades.
- Aloje y construya un microservicio de ML usando AWS y Flask.
A quién va dirigido este libro:
Este libro está diseñado para ingenieros de MLOps y ML, científicos de datos y desarrolladores de software que desean construir soluciones robustas que utilicen el aprendizaje automático para resolver problemas del mundo real. Si no es desarrollador, pero desea administrar o comprender el ciclo de vida del producto de estos sistemas, también encontrará este libro útil. Asume un conocimiento básico de los conceptos de aprendizaje automático y una experiencia intermedia en programación en Python. Con su enfoque en habilidades prácticas y ejemplos del mundo real, este libro es un recurso esencial para cualquiera que busque avanzar en su carrera de ingeniería de aprendizaje automático.
Autor: Andrew McMahon
Editorial: Packt Publishing
Publicado: 31/08/2023
Páginas: 462
Tipo de encuadernación: Tapa blanda
Peso: 1.74 lbs
Tamaño: 9.25h x 7.50w x 0.93d
ISBN13: 9781837631964
ISBN10: 1837631964
Categorías BISAC:
- Informática | Teoría de Máquinas
- Informática | Ingeniería Informática
- Informática | Desarrollo e Ingeniería de Software | Análisis y Diseño de Sistemas
Este título no es retornable