عنوان کتاب به انگلیسی: |
Machine Learning Model Serving Patterns and Best Practices: A definitive guide to deploying, monitoring, and providing accessibility to ML models in production |
| سال انتشار: 2022 | 336 صفحه | حجم فایل: 25 مگابایت | زبان: انگلیسی |
| نویسنده | Md Johirul Islam |
| ناشر | Packt Publishing |
| ISBN10: | 1803249900 |
| ISBN13: | 9781803249902 |
توضیحات کتاب
Key FeaturesLearn best practices about bringing your models to production
Explore the tools available for serving ML models and the differences between them
Understand state-of-the-art monitoring approaches for model serving implementationsBook Description
Serving patterns enable data science and ML teams to bring their models to production. Most ML models are not deployed for consumers, so ML engineers need to know the critical steps for how to serve an ML model.
This book will cover the whole process, from the basic concepts like stateful and stateless serving to the advantages and challenges of each. Batch, real-time, and continuous model serving techniques will also be covered in detail. Later chapters will give detailed examples of keyed prediction techniques and ensemble patterns. Valuable associated technologies like TensorFlow severing, BentoML, and RayServe will also be discussed, making sure that you have a good understanding of the most important methods and techniques in model serving. Later, you’ll cover topics such as monitoring and performance optimization, as well as strategies for managing model drift and handling updates and versioning. The book will provide practical guidance and best practices for ensuring that your model serving pipeline is robust, scalable, and reliable. Additionally, this book will explore the use of cloud-based platforms and services for model serving using AWS SageMaker with the help of detailed examples.
By the end of this book, you’ll be able to save and serve your model using state-of-the-art techniques.
What you will learn
Explore specific patterns in model serving that are crucial for every data science professional
Understand how to serve machine learning models using different techniques
Discover the various approaches to stateless serving
Implement advanced techniques for batch and streaming model serving
Get to grips with the fundamental concepts in continued model evaluation
Serve machine learning models using a fully managed AWS Sagemaker cloud solution
Who this book is for
This book is for machine learning engineers and data scientists who want to bring their models into production. Those who are familiar with machine learning and have experience of using machine learning techniques but are looking for options and strategies to bring their models to production will find great value in this book. Working knowledge of Python programming is a must to get started.
Table of Contents
Introducing Model Serving
Introducing Model Serving Patterns
Stateless Model Serving
Continuous Model Evaluation
Keyed Prediction
Batch Model Serving Pattern
Online Learning Model Serving
Two-Phase Model Pattern
Pipeline Pattern Model Serving
Ensemble Model Serving Pattern
Business Logic Pattern
Exploring Tensorflow Serving
Using Ray Serve
Using BentoML
Serving ML Models using a Fully Managed Cloud Solution
توضیحات کتاب به فارسی (ترجمه ماشینی)
با استقرار بدون زحمت مدل های یادگیری ماشین در تولید و اجرای مدل های یادگیری ماشین مبتنی بر ابر برای استفاده گسترده سازمانی ، یک حرفه ای یادگیری ماشین موفق شوید
ویژگی های کلیدی
بهترین شیوه ها را در مورد آوردن مدل های خود به تولید بیاموزید
ابزارهای موجود برای خدمت به مدل های ML و تفاوت های بین آنها را کاوش کنید
رویکردهای نظارتی پیشرفته را برای اجرای مدل ارائه دهید
توضیحات کتاب
خدمت الگوهای Science Science و ML را قادر می سازد تا مدل های خود را به تولید برسانند.بیشتر مدل های ML برای مصرف کنندگان مستقر نمی شوند ، بنابراین مهندسان ML باید مراحل مهم را برای نحوه ارائه یک مدل ML بدانند.
این کتاب کل فرآیند را شامل می شود ، از مفاهیم اساسی مانند خدمت حالت و بدون تابعیت گرفته تا مزایا و چالش های هر یک.دسته ، زمان واقعی و تکنیک های سرویس مدل مداوم نیز به تفصیل پوشش داده می شود.فصل های بعدی نمونه های مفصلی از تکنیک های پیش بینی کلید و الگوهای گروه را ارائه می دهد.فن آوری های با ارزش مرتبط مانند Tensorflow Severing ، Bentoml و Rayserve نیز مورد بحث قرار می گیرند ، و اطمینان حاصل می کنند که شما درک خوبی از مهمترین روش ها و تکنیک ها در ارائه مدل دارید.بعداً ، مباحثی از قبیل نظارت و بهینه سازی عملکرد و همچنین استراتژی هایی برای مدیریت مدل رانش و به روزرسانی ها و نسخه ها را پوشش خواهید داد.این کتاب راهنمایی های عملی و بهترین شیوه ها را برای اطمینان از این که مدل شما در خدمت خط لوله قوی ، مقیاس پذیر و قابل اعتماد است ، ارائه می دهد.علاوه بر این ، این کتاب به بررسی استفاده از سیستم عامل ها و خدمات مبتنی بر ابر برای مدل خدمت با استفاده از AWS Sagemaker با کمک نمونه های دقیق می پردازد.
با پایان این کتاب ، شما می توانید با استفاده از تکنیک های پیشرفته ، مدل خود را ذخیره و خدمت کنید.
آنچه یاد خواهید گرفت
الگوهای خاص را در خدمت مدل کشف کنید که برای هر حرفه ای علوم داده بسیار مهم است
درک کنید که چگونه با استفاده از تکنیک های مختلف به مدل های یادگیری ماشین خدمت کنید
رویکردهای مختلف برای خدمت بدون تابعیت را کشف کنید
تکنیک های پیشرفته را برای خدمت دسته ای و مدل جریان اجرا کنید
در ادامه ارزیابی مدل ، با مفاهیم اساسی روبرو شوید
مدل های یادگیری ماشین را با استفاده از یک راه حل ابری کاملاً مدیریت شده AWS Sagemaker سرو کنید
این کتاب برای چه کسی است
این کتاب برای مهندسین یادگیری ماشین و دانشمندان داده ای است که می خواهند مدل های خود را به تولید خود برسانند.کسانی که با یادگیری ماشین آشنا هستند و تجربه استفاده از تکنیک های یادگیری ماشین را دارند اما به دنبال گزینه ها و راهکارهایی هستند تا مدل های خود را به تولید خود برسانند ، در این کتاب ارزش بسیار خوبی پیدا می کنند.دانش کار در مورد برنامه نویسی پایتون ضروری برای شروع است.
فهرست مطالب
معرفی مدل خدمت
معرفی الگوهای خدمت مدل
مدل بدون تابعیت
ارزیابی مدل مداوم
پیش بینی کلیدی
الگوی خدمت مدل دسته ای
مدل یادگیری آنلاین خدمت
الگوی مدل دو فاز
مدل الگوی خط لوله
الگوی خدمت مدل گروه
الگوی منطق تجاری
کاوش در خدمت Tensorflow
با استفاده از Ray Serve
با استفاده از bentoml
خدمت به مدل های ML با استفاده از یک راه حل ابری کاملاً مدیریت شده
| توجه کنید که این محصول به صورت فایل دانلودی است و نه کتاب کاغذی. |
| به هنگام خرید به زبان درج شده برای کتاب حتما توجه کنید. به صورت معمول در اکثر موارد زبان کتاب فارسی نیست. |
| در صورت هرگونه مشکل در دریافت کتاب به شماره 09395106248 پیامک دهید. |
| درج شماره موبایل برای سفارش ضروری نیست ولی ترجیح آن است درج گردد تا در صورت بروز مشکل اولین راه ارتباطی ما با شما باشد. |
|
چنانچه در دریافت محصول به هر دلیلی با مشکل روبرو شدید و مطمئن از پرداخت موفق وجه هستید به شماره تماس زیر نام، نام خانوادگی و نام محصول را پیامک بزنید تا لینک محصول سریعا برای شما ارسال گردد.
شماره تماس: 09395106248 |
نقد و بررسیها
هنوز بررسیای ثبت نشده است.