Practical MLOps / Noah GIFT (2020) / 978-1-09-810301-9

Public ISBD Titre : Practical MLOps : Operationalizing Machine Learning Models Type de document : texte imprimé Auteurs : Noah GIFT, Auteur ; Alfredo Deza, Auteur Editeur : Paris : O'reeilly Année de publication : 2020 Importance : 439p. Présentation : Couv. coul.photos Format : 26 cm ISBN/ISSN/EAN : 978-1-09-810301-9 Prix : 24111,00 Langues : Anglais (eng) Tags : MLOps  machine learning  déploiement de modèles  pipelines de données  CI/CD  automatisation  cloud computing  ingénierie logicielle. Index. décimale : 004.8 - Intelligence artificielle Résumé : Getting your models into production is the fundamental challenge of machine learning. MLOps offers a set of proven principles aimed at solving this problem in a reliable and automated way. This insightful guide takes you through what MLOps is (and how it differs from DevOps) and shows you how to put it into practice to operationalize your machine learning models. Current and aspiring machine learning engineers--or anyone familiar with data science and Python--will build a foundation in MLOps tools and methods (along with AutoML and monitoring and logging), then learn how to implement them in AWS, Microsoft Azure, and Google Cloud. The faster you deliver a machine learning system that works, the faster you can focus on the business problems you're trying to crack. This book gives you a head start. You'll discover how to: Apply DevOps best practices to machine learning Build production machine learning systems and maintain them Monitor, instrument, load-test, and operationalize machine learning systems Choose the correct MLOps tools for a given machine learning task Run machine learning models on a variety of platforms and devices, including mobile phones and specialized hardware *Cet ouvrage traite de la mise en production et de l’exploitation des modèles de machine learning dans des environnements réels, en s’inscrivant dans la démarche MLOps. Il aborde les bonnes pratiques pour l’automatisation des pipelines de données et de modèles, l’intégration continue et le déploiement continu (CI/CD), la surveillance des performances, la gestion des versions et la reproductibilité des expériences. Destiné aux data scientists, ingénieurs machine learning et professionnels de l’informatique, le livre met l’accent sur une approche pratique fondée sur des outils modernes du cloud et de l’ingénierie logicielle, facilitant le passage du prototype au système opérationnel. Practical MLOps : Operationalizing Machine Learning Models [texte imprimé] / Noah GIFT, Auteur ; Alfredo Deza, Auteur . - Paris : O'reeilly, 2020 . - 439p. : Couv. coul.photos ; 26 cm. ISBN : 978-1-09-810301-9 : 24111,00 Langues : Anglais (eng) Tags : MLOps  machine learning  déploiement de modèles  pipelines de données  CI/CD  automatisation  cloud computing  ingénierie logicielle. Index. décimale : 004.8 - Intelligence artificielle Résumé : Getting your models into production is the fundamental challenge of machine learning. MLOps offers a set of proven principles aimed at solving this problem in a reliable and automated way. This insightful guide takes you through what MLOps is (and how it differs from DevOps) and shows you how to put it into practice to operationalize your machine learning models. Current and aspiring machine learning engineers--or anyone familiar with data science and Python--will build a foundation in MLOps tools and methods (along with AutoML and monitoring and logging), then learn how to implement them in AWS, Microsoft Azure, and Google Cloud. The faster you deliver a machine learning system that works, the faster you can focus on the business problems you're trying to crack. This book gives you a head start. You'll discover how to: Apply DevOps best practices to machine learning Build production machine learning systems and maintain them Monitor, instrument, load-test, and operationalize machine learning systems Choose the correct MLOps tools for a given machine learning task Run machine learning models on a variety of platforms and devices, including mobile phones and specialized hardware *Cet ouvrage traite de la mise en production et de l’exploitation des modèles de machine learning dans des environnements réels, en s’inscrivant dans la démarche MLOps. Il aborde les bonnes pratiques pour l’automatisation des pipelines de données et de modèles, l’intégration continue et le déploiement continu (CI/CD), la surveillance des performances, la gestion des versions et la reproductibilité des expériences. Destiné aux data scientists, ingénieurs machine learning et professionnels de l’informatique, le livre met l’accent sur une approche pratique fondée sur des outils modernes du cloud et de l’ingénierie logicielle, facilitant le passage du prototype au système opérationnel.

Exemplaires(0)

Disponibilité
aucun exemplaire

---

1 (1 - 1 / 1) Par page : 25 50 100 200