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
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: [美] , [英] (Mark Treveil)
2022-08
版次: 1
ISBN: 9787111710097
定价: 79.00
装帧: 其他
开本: 16开
纸张: 胶版纸
页数: 172页
字数: 153千字
3人买过
  • 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。 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
  • 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
查看详情
相关图书 / 更多
MLOps实战:机器学习模型的开发、部署与应用
ML程序设计教程
保罗森
MLOps实战:机器学习模型的开发、部署与应用
MLOps权威指南
[美]阿尔弗雷多·德萨(Alfredo Deza) 著;[美]诺亚·吉夫特(Noah Gift)
MLOps实战:机器学习模型的开发、部署与应用
MLA Handbook for Writers of Research Papers, 7th Edition
Modern Language Association
MLOps实战:机器学习模型的开发、部署与应用
MLIVING: 东京美食散步
Lens 魅蓝 著
MLOps实战:机器学习模型的开发、部署与应用
MLILLIONAIRE UPGRAD 百万富翁升级:从坐在飞机末端旅行获得的成功经验
PARKES CORDOCK
MLOps实战:机器学习模型的开发、部署与应用
MLOps工程实践:工具、技术与企业级应用
陈雨强 郑曌 谭中意 卢冕 著
MLOps实战:机器学习模型的开发、部署与应用
MLA文体手册和学术出版指南
约瑟夫·吉鲍尔迪
MLOps实战:机器学习模型的开发、部署与应用
MLOps实践——机器学习从开发到生产(全彩)
李攀登
MLOps实战:机器学习模型的开发、部署与应用
MLA格式指南及学术出版准则
[英]吉巴尔蒂
MLOps实战:机器学习模型的开发、部署与应用
MLA Style Manual and Guide to Scholarly Publishing, 3rd Edition
Modern Language Association
MLOps实战:机器学习模型的开发、部署与应用
MLA Handbook for Writers of Research Papers (7th edition)
Gibaldi;Joseph
MLOps实战:机器学习模型的开发、部署与应用
MLA Handbook for Writers of Research Papers
Joseph Gibaldi
您可能感兴趣 / 更多
MLOps实战:机器学习模型的开发、部署与应用
猎物《纽约时报》畅销书作者史黛西·威林厄姆 Goodreads年度悬疑惊悚小说 LibraryReads月度值得关注图书
[美]史黛西·威林厄姆著
MLOps实战:机器学习模型的开发、部署与应用
纳博科夫短篇小说全集(纳博科夫精选集V)
[美]弗拉基米尔·纳博科夫著
MLOps实战:机器学习模型的开发、部署与应用
糖与雪:冰淇淋与我们相遇的五百年
[美]耶丽·昆齐奥(Jeri Quinzio) 著, 邹赜韬、王燕萍 译
MLOps实战:机器学习模型的开发、部署与应用
从一到无穷大(爱因斯坦亲笔推荐的科普入门书,清华大学校长送给新生的礼物;世界著名物理学家、宇宙大爆炸学说的先驱)
[美]乔治·伽莫夫 著;栗子文化 出品;有容书邦 发行
MLOps实战:机器学习模型的开发、部署与应用
海外中国研究·寻找六边形:中国农村的市场和社会结构(海外中国研究丛书精选版第四辑)
[美]施坚雅 著;徐秀丽 译;史建云
MLOps实战:机器学习模型的开发、部署与应用
明信片(《断背山》作者又一力作,荣获福克纳文学奖,49张明信片背后是100种离奇人生)
[美]安妮·普鲁 著;黄宜思 译
MLOps实战:机器学习模型的开发、部署与应用
德川时代的宗教
[美]罗伯特·N.贝拉 著
MLOps实战:机器学习模型的开发、部署与应用
超大规模集成电路物理设计:从图分割到时序收敛(原书第2版) [美国]安德·B.卡恩
[美]安德·B.卡恩
MLOps实战:机器学习模型的开发、部署与应用
小屁孩日记(平装双语版)35-36奶狗肠大作战和一日校长记 全2册
[美]杰夫·金尼(Jeff Kinney)
MLOps实战:机器学习模型的开发、部署与应用
哥白尼
[美]欧文·金格里奇(Owen Gingerich)
MLOps实战:机器学习模型的开发、部署与应用
玻璃底片上的宇宙
[美]达娃·索贝尔 后浪
MLOps实战:机器学习模型的开发、部署与应用
拖延心理学:从心理学的角度看拖延,跨越“想做”与“做”的鸿沟,赢回内驱力、专注力、执行力!
[美]海登·芬奇 著;张紫钰 译;斯坦威 出品