MLOps实战：机器学习模型的开发、部署与应用
- 大小：10.5 MB
- 类型：MLOps实战
- 格式：PDF
- 出版：机械工业出版社
- 作者：马克·特雷维尔
- 更新：2022-09-13 09:30:11
免费获取（已有160人参与） 本站精选了一篇MLOps实战相关的资料，由机械工业出版社出版，作者是马克·特雷维尔，介绍了关于MLOps实战、机器学习方面，格式为PDF，资源大小10.5 MB，目前在MLOps实战类资源综合评分为：8.5分。
MLOps实战资源推荐
- 机器学习与数据科学:基于R的统计学习方法 PDF 电子书 / 10.9 MB / Daniel 推荐度：
- 机器学习Web应用 PDF 电子书 / 16.6 MB / Andrea Isoni 爱索尼克 推荐度：
- SQL机器学习库MADlib技术解析 PDF 电子书 / 38.5 MB / 王雪迎 推荐度：
书籍介绍
编辑推荐
当今组织创建的分析和机器学习(ML)模型超过一半从未投入生产。机器学习运营化的一些挑战和障碍是技术性的，但其他则是组织性的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。
本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变化，并随着时间的推移维护和改进这些模型。以全球众多MLOps应用课程为基础，9位机器学习专家深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。
本书将帮助你：
·通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。
·通过再培训、定期调整和全面改造来完善ML模型，以确保长期准确性。
·设计MLOps生命周期，使用公正、公平、可解释的模型将组织风险降至*低。
·为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。
内容简介
本书分为三部分。第1部分介绍MLOps主题，深入探讨了它是如何(以及为什么)发展成一门学科的、需要谁参与才能成功执行MLOps以及需要哪些组成部分。
第二部分介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监测和治理的章节。这些章节不仅包括一般的注意事项，还包括MLOps生命周期每个阶段的注意事项，并提供第3章中所涉及主题相关的更多详细信息。
第三部分提供了MLOps的具体示例，以便读者了解MLOps在实践中的设置和含义。
目录
- 前言1
- 第一部分 MLOps是什么，为什么要使用MLOps5
- 第1章 为什么现在要使用MLOps，使用MLOps面临的挑战7
- 1.1 定义MLOps及面临的挑战8
- 1.2 使用MLOps以降低风险11
- 1.3 大规模的MLOps14
- 结语15
- 第2章 MLOps的使用人员16
- 2.1 行业专家17
- 2.2 数据科学家20
- 2.3 数据工程师22
- 2.4 软件工程师23
- 2.5 DevOps团队23
- 2.6 模型风险管理者/审计师24
- 2.7 机器学习架构师25
- 结语26
- 第3章 MLOps的主要组成部分27
- 3.1 机器学习入门27
- 3.2 模型开发28
- 3.3 产品化与部署31
- 3.4 监控33
- 3.5 迭代与生命周期36
- 3.6 治理38
- 结语42
- 第二部分 如何实现43
- 第4章 开发模型45
- 4.1 什么是机器学习模型46
- 4.2 数据探索50
- 4.3 特征工程与特征选择50
- 4.4 实验53
- 4.5 评估和比较模型55
- 4.6 版本管理和再现性60
- 结语62
- 第5章 准备投入生产63
- 5.1 运行时环境63
- 5.2 模型风险评估67
- 5.3 机器学习的质量保证69
- 5.4 测试的关键注意事项69
- 5.5 再现性和可审计性70
- 5.6 机器学习安全72
- 5.7 降低模型风险74
- 结语76
- 第6章 部署到生产78
- 6.1 CI/CD管道78
- 6.2 创建ML工件80
- 6.3 部署策略82
- 6.4 容器化85
- 6.5 扩展部署86
- 6.6 需求和挑战88
- 结语89
- 第7章 监控和反馈回路90
- 7.1 模型应该多久接受一次再训练91
- 7.2 理解模型退化94
- 7.3 实践中的漂移检测97
- 7.4 反馈回路100
- 结语108
- 第8章 模型治理109
- 8.1 由谁决定组织的治理需求109
- 8.2 将治理与风险级别相匹配111
- 8.3 推动MLOps治理的现行法规112
- 8.4 新一轮人工智能特定法规115
- 8.5 负责任的人工智能的出现117
- 8.6 负责任的人工智能的关键要素118
- 8.7 MLOps治理模板122
- 结语130
- 第三部分 MLOps具体示例131
- 第9章 实践中的MLOps：消费信贷风险管理133
- 9.1 背景：商业使用案例133
- 9.2 模型开发134
- 9.3 模型偏见考虑135
- 9.4 为生产做准备135
- 9.5 部署到生产环境136
- 结语137
- 第10章 实践中的MLOps：营销推荐引擎138
- 10.1 推荐引擎的兴起138
- 10.2 数据准备140
- 10.3 设计和管理实验141
- 10.4 模型训练和部署141
- 10.5 管道结构和部署策略144
- 10.6 监控和反馈145
- 结语148
- 第11章 实践中的MLOps：消耗预测149
- 11.1 能源系统149
- 11.2 数据收集151
- 11.3 问题定义：机器学习，还是不机器学习153
- 11.4 空间和时间分辨率153
- 11.5 实施154
- 11.6 建模155
- 11.7 部署157
- 11.8 监控157
- 结语158
以上就是本次关于书籍资源的介绍和部分内容，我们还整理了以往更新的其它相关电子书资源内容，可以在下方直接下载，关于相关的资源我们在下方做了关联展示，需要的朋友们也可以参考下。
MLOps实战相关资源
-
《机器学习算法（原书第2版）》源代码
本书介绍了数据科学领域常用的所有重要机器学习算法以及TensorFlow和特征工程等相关内容。涵盖的算法包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、随机森林等，这些算法可以用于监督学习、非监督学习、强化学习或半监督学习。 在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助大家进行多种算法的实践。 阅读完本书后，面对你所遇到的问
大小：1.55 MB机器学习配套资源
-
《机器学习实践指南：案例应用解析》代码及资源
内容简介 本书是机器学习及数据分析领域不可多得的一本著作，也是为数不多的既有大量实践应用案例又包含算法理论剖析的著作，作者针对机器学习算法既抽象复杂又涉及多门数学学科的特点，力求理论联系实际，始终以算法应用为主线，由浅入深以全新的角度诠释机器学习。 全书分为准备篇、基础篇、统计分析实战篇和机器学习实战篇。准备篇介绍了机器学习的发展及应用前景以及常用科学计算平台，主要包括统计分析语言R、机器学习模块mlpy和
大小：4.8 MB机器学习配套资源
-
Spark MLlib机器学习实践
这是一本细致介绍Spark MLlib程序设计的图书，入门简单，示例丰富，内容由浅而深，采取实例和理论相结合的方式，讲解细致直观，适合Spark MLlib初学者、大数据分析和挖掘人员
大小：16.8 MBSpark电子书
-
机器学习numpy和pandas基础
大小：9.8 MB机器学习
-
机器学习：Python实践
本书系统地讲解了机器学习的基本知识，以实践为导向，使用 scikit-learn 作为编程框架，强调简单、快速地建立模型，并利用机器学习解决实际问题
大小：124.7 MB人工智能电子书
-
Python机器学习（第2版）
《Python机器学习》是一本关于Python的电子书资源，涉及Python、机器学习等相关内容，本文提供大小为198MB的超清第2PDF格式电子书下载，希望大家能够喜欢。
大小：59.6 MBPython电子书
-
跟着迪哥学Python:数据分析与机器学习实战
《 跟着迪哥学Python:数据分析与机器学习实战 》结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。 全书共20章，大致分为4个部分。*部分介绍了Python的工具包，包括科学计算库Numpy、数据分析库Pandas、可视化库Matplotlib；第2部分讲解了机器学习中的经典算法，例如回归算法、决策树、集成算法、支持向量机、聚类算法等；第3部分介绍了深度学习中的常用算法，包括神经网络、卷积神经网络、递归神经网
大小：68 MBPython
-
R语言实战：机器学习与数据分析
大小：76.2 MBR语言电子书
-
视觉机器学习20讲(含源码)
本书是在机器学习领域12位博士多年研究机器学习的基础理论、核心算法、关键技术和应用实践的科学结晶，是作者们多年相关科研实践的心得体会和系统总结。
大小：123.1 MB人工智能电子书
参与送书
学习笔记
本文实例讲述了Python机器学习k-近邻算法。分享给大家供大家参考，具体如下： 工作原理 存在一份训练样本集，并且每个样本都有属于自己的标签，即我们知道每个样本集中所属于的类别。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后提取样本集中与之最相近的k个样本。观察并统计这k个样本的标签，选择数量最大的标签作为这个新数……
本文实例讲述了Python机器学习算法库scikit-learn学习之决策树实现方法。分享给大家供大家参考，具体如下： 决策树 决策树 (DTs)是一种用于分类和回归的非参数监督学习方法。目标是创建一个模型，通过从数据特性中推导出简单的决策规则来预测目标变量的值。 例如，在下面的例子中，决策树通过一组if-then-else决策规则从数据中学习到近似正弦曲线的情况。树越深，决策规则越复……
本文实例讲述了Python机器学习之scikit-learn库中KNN算法的封装与使用方法。分享给大家供大家参考，具体如下： 1、工具准备，python环境，pycharm 2、在机器学习中，KNN是不需要训练过程的算法，也就是说，输入样例可以直接调用predict预测结果，训练数据集就是模型。当然这里必须将训练数据和训练标签进行拟合才能形成模型。 3、在pycharm中创建新的项目工程，并在项目下新建KNN.p……