電子書 - MLOps Engineering at Scale

Contents

避免昂貴且耗時的基礎設施任務，並使用 MLOps 和預建構的無伺服器( serverless )工具快速將機器學習( machine learning )模型投入生產！

There is a dire need in the market for practical know-how on the industrialized use of machine learning in real world applications…which Carl Osipov’s book elegantly and comprehensively presents.

PBabak Hodjat, CTO-AI, Cognizant

Excellent resource for learning cloud-native end-to-end machine learning engineering.

Manish Jain, Infosys

A very timely and necessary book for any serious data scientist.

Tiklu Ganguly, Mazik Tech Solutions

A great guide to modern ML applications at scale in the cloud.

Dinesh Ghanta, Oracle

在 “大規模 MLOps 工程” 中，您將學習如何：

提取、轉換和載入資料集
使用 SQL 查詢資料集
了解 PyTorch 中的自動微分
將模型訓練管道部署為服務端點
監控和管理管道的生命週期
衡量性能改進

“大規模 MLOps 工程” 向您展示如何使用 AWS 和其他雲供應商的預構建服務將機器學習高效地投入生產。您將學習如何快速創建靈活且可擴展的機器學習系統，而無需費力執行耗時的操作任務或承擔昂貴的實體硬體開銷。根據計算出租車費的實際用例，您將使用 AWS 無伺服器功能為 PyTorch 模型設計 MLOps 管道。

關於這個技術

生產就緒的機器學習系統包括高效的資料管道、整合監控以及根據需求擴展和縮減的方法。使用基於雲的服務來實施機器學習基礎設施可以縮短開發時間並降低託管成本。無伺服器 MLOps 無需構建和維護自定義基礎設施，因此您可以專注於資料、模型和演算法。

關於這本書

MLOps 大規模工程教您如何使用 AWS 和其他雲供應商的預建構服務來實施高效的機器學習系統。這本易於理解的書籍將逐步指導您設置無伺服器機器學習基礎設施，即使您以前從未使用過雲平台。您還將探索 PyTorch Lightning、Optuna 和 MLFlow 等工具，這些工具可以輕鬆建構管道並在生產中擴展深度學習模型。