MLOps实战:机器学习模型的开发、部署与应用

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
vip 免费获取(已有160人参与)
关注公众号免费送书
版权投诉 / 资源反馈(本资源由用户 晃飞跃 投稿)

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

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

    《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

    《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

    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

    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(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

    《 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

    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)

    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

14小时13分钟前回答

Python机器学习k-近邻算法(K Nearest Neighbor)实例详解

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……

11小时33分钟前回答

Python机器学习算法库scikit-learn学习之决策树实现方法详解

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……

12小时15分钟前回答

Python机器学习之scikit-learn库中KNN算法的封装与使用方法

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……