MLOps權(quán)威指南

第1章 MLOps簡介9
1.1 機(jī)器學(xué)習(xí)工程師和MLOps的興起9
1.2 什么是MLOps11
1.3 DevOps和MLOps12
1.4 MLOps需求層次14
1.5 小結(jié)25
練習(xí)題25
獨(dú)立思考和討論26
第2章 MLOps基礎(chǔ)27
2.1 Bash和Linux命令行27
2.2 云端shell開發(fā)環(huán)境28
2.3 Bash shell和常用命令29
2.4 云計算基礎(chǔ)和構(gòu)建模塊32
2.5 云計算入門34
2.6 Python速成課程35
2.7 Python極簡教程37
2.8 程序員的數(shù)學(xué)速成課程39
2.9 機(jī)器學(xué)習(xí)關(guān)鍵概念50
2.10 開展數(shù)據(jù)科學(xué)工作52
2.11 從零開始構(gòu)建一個MLOps管道54
2.12 小結(jié)60
練習(xí)題61
獨(dú)立思考和討論61
第3章 容器和邊緣設(shè)備的MLOps63
3.1 容器64
3.2 邊緣設(shè)備74
3.3 托管機(jī)器學(xué)習(xí)系統(tǒng)的容器82
3.4 小結(jié)84
練習(xí)題84
獨(dú)立思考和討論85
第4章 機(jī)器學(xué)習(xí)模型的持續(xù)交付86
4.1 機(jī)器學(xué)習(xí)模型打包87
4.2 機(jī)器學(xué)習(xí)模型持續(xù)交付中的基礎(chǔ)設(shè)施即代碼91
4.3 使用云管道97
4.4 小結(jié)104
練習(xí)題104
獨(dú)立思考和討論105
第5章 AutoML和KaizenML106
5.1 AutoML107
5.2 蘋果生態(tài)系統(tǒng)117
5.3 谷歌的AutoML和邊緣計算機(jī)視覺125
5.4 Azure的AutoML129
5.5 AWS的AutoML131
5.6 開源AutoML解決方案135
5.7 模型可解釋性137
5.8 小結(jié)141
練習(xí)題141
獨(dú)立思考和討論142
第6章 監(jiān)控和日志143
6.1 云MLOps的可觀測性144
6.2 日志記錄簡介146
6.3 Python中的日志記錄147
6.4 監(jiān)控及可觀測性153
6.5 小結(jié)163
練習(xí)題163
獨(dú)立思考和討論163
第7章 AWS的MLOps165
7.1 AWS簡介166
7.2 AWS上的MLOps Cookbook183
7.3 AWS Lambda方法196
7.4 將AWS機(jī)器學(xué)習(xí)應(yīng)用于現(xiàn)實世界201
7.5 小結(jié)205
練習(xí)題206
獨(dú)立思考和討論206
第8章 Azure的MLOps207
8.1 Azure CLI和Python SDK208
8.2 身份認(rèn)證209
8.3 計算實例212
8.4部署213
8.5 將模型部署到計算集群216
8.6 部署問題排查221
8.7 Azure機(jī)器學(xué)習(xí)管道226
8.8 機(jī)器學(xué)習(xí)生命周期230
8.9 小結(jié)231
練習(xí)題231
獨(dú)立思考和討論232
第9章 谷歌云平臺的MLOps233
9.1 谷歌云平臺概覽233
9.2 谷歌云平臺上的DataOps：應(yīng)用數(shù)據(jù)工程248
9.3 機(jī)器學(xué)習(xí)模型運(yùn)維252
9.4 小結(jié)254
練習(xí)題256
獨(dú)立思考和討論256
第10章 機(jī)器學(xué)習(xí)互操作性257
10.1 為什么互操作性至關(guān)重要258
10.2 ONNX：開放式神經(jīng)網(wǎng)絡(luò)交換260
10.3 蘋果的Core ML271
10.4 邊緣集成275
10.5 小結(jié)276
練習(xí)題276
獨(dú)立思考和討論277
第11章 構(gòu)建MLOps命令行工具和微服務(wù)278
11.1 Python打包279
11.2 依賴文件280
11.3 命令行工具281
11.4 微服務(wù)291
11.5 機(jī)器學(xué)習(xí)CLI工作流300
11.6 小結(jié)302
練習(xí)題302
獨(dú)立思考和討論302
第12章 機(jī)器學(xué)習(xí)工程和MLOps案例研究304
12.1 在構(gòu)建機(jī)器學(xué)習(xí)模型時無知帶來的難以置信的收益305
12.2 Sqor運(yùn)動社交網(wǎng)絡(luò)中的MLOps工程306
12.3 完美技術(shù)與現(xiàn)實世界311
12.4 MLOps中的關(guān)鍵挑戰(zhàn)313
12.5 實施MLOps的最終建議319
12.6 小結(jié)321
練習(xí)題322
獨(dú)立思考和討論322
附錄323
附錄A 關(guān)鍵術(shù)語323
附錄B 技術(shù)認(rèn)證327
附錄C 遠(yuǎn)程工作342
附錄D 像VC一樣思考你的職業(yè)生涯346
附錄E 構(gòu)建MLOps技術(shù)組合349
附錄F 數(shù)據(jù)科學(xué)案例研究：間歇性禁食354
附錄G 附加的教育資源358
附錄H 技術(shù)項目管理368