編輯推薦

本書介紹了當前使用MLOps面臨的挑戰(zhàn)，同時還為開發(fā)MLOps功能提供實用的見解和解決方案。

內(nèi)容簡介

本書分為三部分。

第1部分介紹MLOps主題，深入探討了它是如何（以及為什么）發(fā)展成一門學科的、需要誰參與才能成功執(zhí)行MLOps以及需要哪些組成部分。

第二部分介紹了機器學習模型的生命周期，其中包括有關模型開發(fā)、生產(chǎn)準備、生產(chǎn)部署、監(jiān)測和治理的章節(jié)。第三部分提供了MLOps的具體示例，以便讀者了解MLOps在實踐中的設置和含義。

作者簡介

作者馬克·特雷維爾，曾在電信、銀行和在線交易等不同領域設計產(chǎn)品。他自己的創(chuàng)業(yè)公司引領了英國地方政府的治理革命，至今仍在那里占主導地位。他現(xiàn)在是位于巴黎的Dataiku產(chǎn)品團隊的一員。

章節(jié)目錄

版權信息

關于作者

關于封面

O'Reilly Media, Inc.介紹

業(yè)界評論

前言

第一部分 MLOps是什么，為什么要使用MLOps

第1章 為什么現(xiàn)在要使用MLOps，使用MLOps面臨的挑戰(zhàn)

1.1 定義MLOps及面臨的挑戰(zhàn)

1.2 使用MLOps以降低風險

1.3 大規(guī)模的MLOps

結語

第2章 MLOps的使用人員

2.1 行業(yè)專家

2.2 數(shù)據(jù)科學家

2.3 數(shù)據(jù)工程師

2.4 軟件工程師

2.5 DevOps團隊

2.6 模型風險管理者/審計師

2.7 機器學習架構師

結語

第3章 MLOps的主要組成部分

3.1 機器學習入門

3.2 模型開發(fā)

3.3 產(chǎn)品化與部署

3.4 監(jiān)控

3.5 迭代與生命周期

3.6 治理

結語

第二部分 如何實現(xiàn)

第4章 開發(fā)模型

4.1 什么是機器學習模型

4.2 數(shù)據(jù)探索

4.3 特征工程與特征選擇

4.4 實驗

4.5 評估和比較模型

4.6 版本管理和再現(xiàn)性

結語

第5章 準備投入生產(chǎn)

5.1 運行時環(huán)境

5.2 模型風險評估

5.3 機器學習的質量保證

5.4 測試的關鍵注意事項

5.5 再現(xiàn)性和可審計性

5.6 機器學習安全

5.7 降低模型風險

結語

第6章 部署到生產(chǎn)

6.1 CI/CD管道

6.2 創(chuàng)建ML工件

6.3 部署策略

6.4 容器化

6.5 擴展部署

6.6 需求和挑戰(zhàn)

結語

第7章 監(jiān)控和反饋回路

7.1 模型應該多久接受一次再訓練

7.2 理解模型退化

7.3 實踐中的漂移檢測

7.4 反饋回路

結語

第8章 模型治理

8.1 由誰決定組織的治理需求

8.2 將治理與風險級別相匹配

8.3 推動MLOps治理的現(xiàn)行法規(guī)

8.4 新一輪人工智能特定法規(guī)

8.5 負責任的人工智能的出現(xiàn)

8.6 負責任的人工智能的關鍵要素

8.7 MLOps治理模板

結語

第三部分 MLOps具體示例

第9章 實踐中的MLOps：消費信貸風險管理

9.1 背景：商業(yè)使用案例

9.2 模型開發(fā)

9.3 模型偏見考慮

9.4 為生產(chǎn)做準備

9.5 部署到生產(chǎn)環(huán)境

結語

第10章 實踐中的MLOps：營銷推薦引擎

10.1 推薦引擎的興起

10.2 數(shù)據(jù)準備

10.3 設計和管理實驗

10.4 模型訓練和部署

10.5 管道結構和部署策略

10.6 監(jiān)控和反饋

結語

第11章 實踐中的MLOps：消耗預測

11.1 能源系統(tǒng)

11.2 數(shù)據(jù)收集

11.3 問題定義：機器學習，還是不機器學習

11.4 空間和時間分辨率

11.5 實施

11.6 建模

11.7 部署

11.8 監(jiān)控

結語

MLOps實戰(zhàn)：機器學習模型的開發(fā)、部署與應用是2022年由機械工業(yè)出版社華章分社出版,作者[英] 馬克·特雷維爾。

溫馨提示：
得書感謝您對《MLOps實戰(zhàn)：機器學習模型的開發(fā)、部署與應用》關注和支持，如本書內(nèi)容有不良信息或侵權等情形的，請聯(lián)系本網(wǎng)站。