作品简介

本书依次介绍了DevOps和MLOps的理论和实践、如何设置持续集成和持续交付、Kaizen三部分内容。

与云计算相关的MLOps分为三章,涵盖AWS、Azure和GCP(谷歌云平台)。之后介绍了机器学习互操作性、构建MLOps命令行工具和微服务。这些主题包括许多具有积极吸引力的尖端新兴技术,结尾另提供真实研究案例。

作品目录

  • O'Reilly Media,Inc.介绍
  • 前言
  • 第1章 MLOps简介
  • 1.1 机器学习工程师和MLOps的兴起
  • 1.2 什么是MLOps
  • 1.3 DevOps和MLOps
  • 1.4 MLOps需求层次
  • 1.5 小结
  • 练习题
  • 独立思考和讨论
  • 第2章 MLOps基础
  • 2.1 Bash和Linux命令行
  • 2.2 云端shell开发环境
  • 2.3 Bash shell和常用命令
  • 2.4 云计算基础和构建模块
  • 2.5 云计算入门
  • 2.6 Python速成课程
  • 2.7 Python极简教程
  • 2.8 程序员的数学速成课程
  • 2.9 机器学习关键概念
  • 2.10 开展数据科学工作
  • 2.11 从零开始构建一个MLOps管道
  • 2.12 小结
  • 练习题
  • 独立思考和讨论
  • 第3章 容器和边缘设备的MLOps
  • 3.1 容器
  • 3.2 边缘设备
  • 3.3 托管机器学习系统的容器
  • 3.4 小结
  • 练习题
  • 独立思考和讨论
  • 第4章 机器学习模型的持续交付
  • 4.1 机器学习模型打包
  • 4.2 机器学习模型持续交付中的基础设施即代码
  • 4.3 使用云管道
  • 4.4 小结
  • 练习题
  • 独立思考和讨论
  • 第5章 AutoML和KaizenML
  • 5.1 AutoML
  • 5.2 苹果生态系统
  • 5.3 谷歌的AutoML和边缘计算机视觉
  • 5.4 Azure的AutoML
  • 5.5 AWS的AutoML
  • 5.6 开源AutoML解决方案
  • 5.7 模型可解释性
  • 5.8 小结
  • 练习题
  • 独立思考和讨论
  • 第6章 监控和日志
  • 6.1 云MLOps的可观测性
  • 6.2 日志记录简介
  • 6.3 Python中的日志记录
  • 6.4 监控及可观测性
  • 6.5 小结
  • 练习题
  • 独立思考和讨论
  • 第7章 AWS的MLOps
  • 7.1 AWS简介
  • 7.2 AWS上的MLOps Cookbook
  • 7.3 AWS Lambda方法
  • 7.4 将AWS机器学习应用于现实世界
  • 7.5 小结
  • 练习题
  • 独立思考和讨论
  • 第8章 Azure的MLOps
  • 8.1 Azure CLI和Python SDK
  • 8.2 身份认证
  • 8.3 计算实例
  • 8.4 部署
  • 8.5 将模型部署到计算集群
  • 8.6 部署问题排查
  • 8.7 Azure机器学习管道
  • 8.8 机器学习生命周期
  • 8.9 小结
  • 练习题
  • 独立思考和讨论
  • 第9章 谷歌云平台的MLOps
  • 9.1 谷歌云平台概览
  • 9.2 谷歌云平台上的DataOps:应用数据工程
  • 9.3 机器学习模型运维
  • 9.4 小结
  • 练习题
  • 独立思考和讨论
  • 第10章 机器学习互操作性
  • 10.1 为什么互操作性至关重要
  • 10.2 ONNX:开放式神经网络交换
  • 10.3 苹果的Core ML
  • 10.4 边缘集成
  • 10.5 小结
  • 练习题
  • 独立思考和讨论
  • 第11章 构建MLOps命令行工具和微服务
  • 11.1 Python打包
  • 11.2 依赖文件
  • 11.3 命令行工具
  • 11.4 微服务
  • 11.5 机器学习CLI工作流
  • 11.6 小结
  • 练习题
  • 独立思考和讨论
  • 第12章 机器学习工程和MLOps案例研究
  • 12.1 在构建机器学习模型时无知带来的难以置信的收益
  • 12.2 Sqor运动社交网络中的MLOps工程
  • 12.3 完美技术与现实世界
  • 12.4 MLOps中的关键挑战
  • 12.5 实施MLOps的最终建议
  • 12.6 小结
  • 练习题
  • 独立思考和讨论
  • 附录
  • 附录A 关键术语
  • 附录B 技术认证
  • 附录C 远程工作
  • 附录D 像VC一样思考你的职业生涯
  • 附录E 构建MLOps技术组合
  • 附录F 数据科学案例研究:间歇性禁食
  • 附录G 附加的教育资源
  • 附录H 技术项目管理
展开全部