Descripción
Evite tareas de infraestructura costosas y que consumen mucho tiempo, ¡y lleve rápidamente sus modelos de aprendizaje automático a producción con MLOps y herramientas sin servidor preconstruidas! En MLOps Engineering at Scale aprenderá: Extracción, transformación y carga de conjuntos de datos
Consulta de conjuntos de datos con SQL
Comprensión de la diferenciación automática en PyTorch
Implementación de canalizaciones de entrenamiento de modelos como un punto final de servicio
Monitoreo y gestión del ciclo de vida de su canalización
Medición de mejoras de rendimiento MLOps Engineering at Scale le muestra cómo poner el aprendizaje automático en producción de manera eficiente utilizando servicios preconstruidos de AWS y otros proveedores de la nube. Aprenderá a crear rápidamente sistemas de aprendizaje automático flexibles y escalables sin trabajar en tareas operativas que consumen mucho tiempo ni asumir los costosos gastos generales del hardware físico. Siguiendo un caso de uso del mundo real para calcular tarifas de taxi, diseñará una canalización MLOps para un modelo PyTorch utilizando las capacidades sin servidor de AWS. La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Acerca de la tecnología
Un sistema de aprendizaje automático listo para producción incluye canalizaciones de datos eficientes, monitoreo integrado y medios para escalar hacia arriba y hacia abajo según la demanda. El uso de servicios basados en la nube para implementar la infraestructura de ML reduce el tiempo de desarrollo y los costos de alojamiento. MLOps sin servidor elimina la necesidad de construir y mantener una infraestructura personalizada, para que pueda concentrarse en sus datos, modelos y algoritmos. Acerca del libro
MLOps Engineering at Scale le enseña cómo implementar sistemas eficientes de aprendizaje automático utilizando servicios preconstruidos de AWS y otros proveedores de la nube. Este libro fácil de seguir lo guía paso a paso mientras configura su infraestructura de ML sin servidor, incluso si nunca antes ha utilizado una plataforma en la nube. También explorará herramientas como PyTorch Lightning, Optuna y MLFlow que facilitan la creación de canalizaciones y la escalabilidad de sus modelos de aprendizaje profundo en producción. Contenido Reducir o eliminar la gestión de la infraestructura de ML
Aprender herramientas MLOps de última generación como PyTorch Lightning y MLFlow
Implementar canalizaciones de entrenamiento como un punto final de servicio
Monitorear y gestionar el ciclo de vida de su canalización
Medir las mejoras de rendimiento Acerca del lector
Los lectores necesitan conocer Python, SQL y los conceptos básicos del aprendizaje automático. No se requiere experiencia en la nube. Acerca del autor
Carl Osipov implementó su primera red neuronal en 2000 y ha trabajado en aprendizaje profundo y aprendizaje automático en Google e IBM. Tabla de Contenidos PARTE 1 - DOMINANDO EL CONJUNTO DE DATOS
1 Introducción al aprendizaje automático sin servidor
2 Comenzando con el conjunto de datos
3 Explorando y preparando el conjunto de datos
4 Más análisis exploratorio de datos y preparación de datos
PARTE 2 - PYTORCH PARA APRENDIZAJE AUTOMÁTICO SIN SERVIDOR
5 Introducción a PyTorch: Conceptos básicos de tensores
6 PyTorch Core: Autograd, optimizadores y utilidades
7 Aprendizaje automático sin servidor a escala
8 Escalado con entrenamiento distribuido
PARTE 3 - CANALIZACIÓN DE APRENDIZAJE AUTOMÁTICO SIN SERVIDOR
9 Selección de características
10 Adoptando PyTorch Lightning
11 Optimización de hiperparámetros
12 Canalización de aprendizaje automático
Autor: Carl Osipov
Editorial: Manning Publications
Publicado: 01/03/2022
Páginas: 344
Tipo de encuadernación: Tapa blanda
Peso: 1.25lbs
Tamaño: 9.21h x 7.32w x 0.79d
ISBN13: 9781617297762
ISBN10: 1617297763
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Sistemas Distribuidos | Computación en la Nube
- Informática | Lenguajes | Python
Consulta de conjuntos de datos con SQL
Comprensión de la diferenciación automática en PyTorch
Implementación de canalizaciones de entrenamiento de modelos como un punto final de servicio
Monitoreo y gestión del ciclo de vida de su canalización
Medición de mejoras de rendimiento MLOps Engineering at Scale le muestra cómo poner el aprendizaje automático en producción de manera eficiente utilizando servicios preconstruidos de AWS y otros proveedores de la nube. Aprenderá a crear rápidamente sistemas de aprendizaje automático flexibles y escalables sin trabajar en tareas operativas que consumen mucho tiempo ni asumir los costosos gastos generales del hardware físico. Siguiendo un caso de uso del mundo real para calcular tarifas de taxi, diseñará una canalización MLOps para un modelo PyTorch utilizando las capacidades sin servidor de AWS. La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Acerca de la tecnología
Un sistema de aprendizaje automático listo para producción incluye canalizaciones de datos eficientes, monitoreo integrado y medios para escalar hacia arriba y hacia abajo según la demanda. El uso de servicios basados en la nube para implementar la infraestructura de ML reduce el tiempo de desarrollo y los costos de alojamiento. MLOps sin servidor elimina la necesidad de construir y mantener una infraestructura personalizada, para que pueda concentrarse en sus datos, modelos y algoritmos. Acerca del libro
MLOps Engineering at Scale le enseña cómo implementar sistemas eficientes de aprendizaje automático utilizando servicios preconstruidos de AWS y otros proveedores de la nube. Este libro fácil de seguir lo guía paso a paso mientras configura su infraestructura de ML sin servidor, incluso si nunca antes ha utilizado una plataforma en la nube. También explorará herramientas como PyTorch Lightning, Optuna y MLFlow que facilitan la creación de canalizaciones y la escalabilidad de sus modelos de aprendizaje profundo en producción. Contenido Reducir o eliminar la gestión de la infraestructura de ML
Aprender herramientas MLOps de última generación como PyTorch Lightning y MLFlow
Implementar canalizaciones de entrenamiento como un punto final de servicio
Monitorear y gestionar el ciclo de vida de su canalización
Medir las mejoras de rendimiento Acerca del lector
Los lectores necesitan conocer Python, SQL y los conceptos básicos del aprendizaje automático. No se requiere experiencia en la nube. Acerca del autor
Carl Osipov implementó su primera red neuronal en 2000 y ha trabajado en aprendizaje profundo y aprendizaje automático en Google e IBM. Tabla de Contenidos PARTE 1 - DOMINANDO EL CONJUNTO DE DATOS
1 Introducción al aprendizaje automático sin servidor
2 Comenzando con el conjunto de datos
3 Explorando y preparando el conjunto de datos
4 Más análisis exploratorio de datos y preparación de datos
PARTE 2 - PYTORCH PARA APRENDIZAJE AUTOMÁTICO SIN SERVIDOR
5 Introducción a PyTorch: Conceptos básicos de tensores
6 PyTorch Core: Autograd, optimizadores y utilidades
7 Aprendizaje automático sin servidor a escala
8 Escalado con entrenamiento distribuido
PARTE 3 - CANALIZACIÓN DE APRENDIZAJE AUTOMÁTICO SIN SERVIDOR
9 Selección de características
10 Adoptando PyTorch Lightning
11 Optimización de hiperparámetros
12 Canalización de aprendizaje automático
Autor: Carl Osipov
Editorial: Manning Publications
Publicado: 01/03/2022
Páginas: 344
Tipo de encuadernación: Tapa blanda
Peso: 1.25lbs
Tamaño: 9.21h x 7.32w x 0.79d
ISBN13: 9781617297762
ISBN10: 1617297763
Categorías BISAC:
- Informática | Ciencia de Datos | Aprendizaje Automático
- Informática | Sistemas Distribuidos | Computación en la Nube
- Informática | Lenguajes | Python
Acerca del Autor
Carl Osipov ha pasado más de 15 años trabajando en el procesamiento de big data y el aprendizaje automático en sistemas distribuidos de múltiples núcleos, como la arquitectura orientada a servicios y las plataformas de computación en la nube. Mientras estuvo en IBM, Carl ayudó a IBM Software Group a dar forma a su estrategia en torno al uso de Docker y otras tecnologías basadas en contenedores para la computación sin servidor utilizando IBM Cloud y Amazon Web Services. En Google, Carl aprendió de los expertos más importantes del mundo en aprendizaje automático y también ayudó a gestionar los esfuerzos de la empresa para democratizar la inteligencia artificial. Puede obtener más información sobre Carl en su blog Clouds With Carl.