Ханнес Хапке , Кэтрин Нельсон - Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow
Название: | Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow | |
Автор: | Ханнес Хапке , Кэтрин Нельсон | |
Жанр: | Искусственный интеллект, Программирование: прочее | |
Изадано в серии: | Бестселлеры o’reilly | |
Издательство: | ДМК Пресс | |
Год издания: | 2021 | |
ISBN: | 978-5-97060-886-9 | |
Отзывы: | Комментировать | |
Рейтинг: | ||
Поделись книгой с друзьями! Помощь сайту: донат на оплату сервера |
Краткое содержание книги "Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow"
Машинное обучение становится важным элементом почти во всех отраслях. В этой книге представлено четкое и понятное руководство по автоматизации развертывания, управления и повторного использования моделей машинного обучения. Шаг за шагом описывается конкретный пример проекта, на котором можно отработать основные навыки в этой сфере. Благодаря множеству примеров кода и ясным, лаконичным объяснениям вы сможете создать свой собственный конвейер машинного обучения и запустите его в кратчайшие сроки. Книга поможет ученым и инженерам, специализирующимся в области машинного обучения и искусственного интеллекта, выйти за рамки работы с единичной моделью и успешно реализовать свои проекты в области науки о данных. Также издание будет полезно менеджерам проектов в области науки о данных, разработчикам программного обеспечения и инженерам DevOps, которые хотят, чтобы их организация ускорила свои проекты, использующие технологии машинного обучения и искусственного интеллекта. Читателю понадобится знание основных концепций машинного обучения и хотя бы одного из фреймворков, используемых в машинном обучении (например, PyTorch, TensorFlow, Keras).
Читаем онлайн "Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow". [Страница - 149]
инструменты оркестрации 246
настройка
с помощью Apache Airflow 242
производственный 232
компоненты 232
участие человека в работе
конвейера 212
взаимодействие со Slack API 214
использование компонента
Slack 214
настройка компонента Slack 214
конвейер TFX
настройка 273
загрузка данных из Google Cloud
Storage 273
обучение моделей
на платформе Google Cloud AI
Platform 273
оркестрация
Kubeflow Pipelines 252
развертывание моделей
на платформе Google Cloud AI
Platform 275
конечная точка API 150, 151
Google Remote Procedure Calls
(gRPC). См. gRPC; gRPC
Representational State Transfer
(REST). См. REST
контейнер 313
машинное обучение
инфраструктура 313
платформы
Amazon Web Service SageMaker 181
Microsoft AzureML 181
системы непрерывной интеграции
и развертывания 311, 313
М
модель машинного обучения 149, 190
версии 165
вес 150
граф модели машинного обучения 155
дрейф 279
запросы метаданных 173
модель классификации 171
обучение приватной модели 298
обучение с «теплым» запуском 212
одновременное обучение нескольких
моделей 208
Предметный указатель
пакетные запросы 175
персонализированная 279
политика релизов 308
получение прогнозов 167
использование протокола
REST 167
прогностическая значимость 279
развертывание 149, 150, 190
«горячая замена» 163
использование удаленных
хранилищ 191, 193
на периферийных устройствах 200
недостатки способа развертывания
с использованием Python 151, 152
обзор 191
оптимизация для удаленной
модели. См. оптимизация
моделей машинного обучения
для развертывания;
оптимизация моделей
машинного обучения для
развертывания
расширенные концепции 190
с использованием TensorFlow
Serving. См. TensorFlow Serving
(TFS);
создание веб-приложения с
использованием Python 150, 151
развертывание на мобильных
платформах 209
развертывание с использованием
«облачных» решений 182
Google Clouds AI Platform 182, 183
размещение у провайдеров
«облачных» решений 182
регрессионная модель 171
Н
направленный ациклический
граф (НАГ) 237
О
обратная связь 288
бинарная 288
переклассификация 288
обучение нейронных сетей
обучаемая сеть 196
обучающая сеть 196
оптимизация моделей машинного
обучения для развертывания 193, 194
341
дистилляция 196
для загрузки удаленной модели 193
инструменты 197
квантование 194
использование библиотеки
TensorRT. См. TensorRT;
сокращение 195
TFLite. См. TFLite
П
петли обратной связи 279
маховик данных 281
отслеживание обратной связи 287, 288
для случая неявной обратной
связи 289
для случая явной обратной
связи 288
примеры 282, 283, 284, 285
шаблоны для сбора обратной
связи 284, 285, 286, 287
явная и неявная обратная связь 280
платформа искусственного
интеллекта 232
Google AI Platform 232
поставщики облачных услуг 182
Amazon Web Services (AWS) 182
Google Cloud 182
Microsoft Azure 182
приватность данных 290, 291
бюджет приватности 295
данные, идентифицирующие
личность 292
дифференцированная
приватность 290, 293, 294
глобальная 294, 296
доверенные стороны 296
локальная 294
методы обеспечения 296
объект secret 295
оптимизация 297
расчет параметров модели 299
стохастический градиентный
спуск 297
эпсилон-дельта 295
зашифрованное машинное
обучение 290
квазиидентифицирующие данные 292
методы обеспечения
приватности 305
K-анонимность 305
342
Предметный указатель
способы повышения
приватности 292
федеративное обучение 290
чувствительные данные 292
С
сервер моделей 150, 182
сигнатура 155
методы 155
структура 150
тестирование 159
управляемое развертывание
в «облаке» 182
ограничения 182
преимущества и недостатки 182
эксперименты с моделью
отслеживания 307
экспорт 154
граф модели машинного
обучения 155
для TFS 153
контрольная точка 155
проверка экспортированных
моделей 157
ресурсы 155
A/B-тестирование 172
простой пример реализации 151
Ф
федеративное обучение 299, 300
алгоритмы 300, 301
включение дифференцированной
приватности 300
доверенные стороны 300
инфраструктура 301
используемые сценарии 300
особенности 301
советы по применению 301
A
A/B-тестирование 190
Apache Airflow 43, 230, 231, 234, 237, 246
варианты рабочей
конфигурирации 239
зависимости задач 240
конфигурация 239
конфигурирация
на примере конкретного
проекта 239
операторы задач 240
пример применения 239
установка и настройка 237
Apache Avro 53
Apache Beam 46, 48, 68, 86, 230, 231,
234, 235, 243, 246, 269
Apache Parquet 53, 64
API
конечная --">
Книги схожие с «Разработка конвейеров машинного обучения. Автоматизация жизненных циклов модели с помощью TensorFlow» по жанру, серии, автору или названию:
Анирад Коул, Сиддха Ганджу, Мехер Казам - Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow Жанр: Искусственный интеллект Год издания: 2023 Серия: Бестселлеры o’reilly |
Сет Вейдман - Глубокое обучение: легкая разработка проектов на Python Жанр: Python Год издания: 2021 Серия: Бестселлеры o’reilly |
Брайан Мессенленер, Джейсон Коулман - Разработка веб-приложений на WordPress Жанр: Интернет Год издания: 2021 Серия: Бестселлеры o’reilly |
Робин Никсон - Создаем динамические веб-сайты с помощью PHP, MySQL, JavaScript, CSS и HTML5 Жанр: Интернет Год издания: 2016 Серия: Бестселлеры o’reilly |
Другие книги из серии «Бестселлеры o’reilly»:
Лусиану Рамальо - Python – к вершинам мастерства. Лаконичное и эффективное программирование Жанр: Python Год издания: 2022 Серия: Бестселлеры o’reilly |
Орельен Жерон - Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow Жанр: Искусственный интеллект Год издания: 2020 Серия: Бестселлеры o’reilly |
Марк Лутц - Python. Карманный справочник Жанр: Справочники Год издания: 2015 Серия: Бестселлеры o’reilly |
Робин Никсон - Создаем динамические веб-сайты с помощью PHP, MySQL, JavaScript, CSS и HTML5 Жанр: PHP Год издания: 2023 Серия: Бестселлеры o’reilly |