MLOps权威指南

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