Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production

(ebook) (audiobook) (audiobook)

Autorzy:: Yong Liu, Dr. Matei Zaharia

Promocja Przejdź

Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production Yong Liu, Dr. Matei Zaharia - okladka książki

Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production Yong Liu, Dr. Matei Zaharia - audiobook MP3

Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production Yong Liu, Dr. Matei Zaharia - audiobook CD

Wydawnictwo:: Packt Publishing (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 288
Dostępne formaty:: PDF

ePub

Ebook (29,90 zł najniższa cena z 30 dni)

~~129,00 zł~~ (-10%)
116,10 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

(29,90 zł najniższa cena z 30 dni)

Przenieś na półkę

Do przechowalni

The book starts with an overview of the deep learning (DL) life cycle and the emerging Machine Learning Ops (MLOps) field, providing a clear picture of the four pillars of deep learning: data, model, code, and explainability and the role of MLflow in these areas.
From there onward, it guides you step by step in understanding the concept of MLflow experiments and usage patterns, using MLflow as a unified framework to track DL data, code and pipelines, models, parameters, and metrics at scale. You’ll also tackle running DL pipelines in a distributed execution environment with reproducibility and provenance tracking, and tuning DL models through hyperparameter optimization (HPO) with Ray Tune, Optuna, and HyperBand. As you progress, you’ll learn how to build a multi-step DL inference pipeline with preprocessing and postprocessing steps, deploy a DL inference pipeline for production using Ray Serve and AWS SageMaker, and finally create a DL explanation as a service (EaaS) using the popular Shapley Additive Explanations (SHAP) toolbox.
By the end of this book, you’ll have built the foundation and gained the hands-on experience you need to develop a DL pipeline solution from initial offline experimentation to final deployment and production, all within a reproducible and open source framework.

Wybrane bestsellery

O autorze książki

Yong Liu has been working in big data science, machine learning, and optimization since his doctoral student years at the University of Illinois at Urbana-Champaign (UIUC) and later as a senior research scientist and principal investigator at the National Center for Supercomputing Applications (NCSA), where he led data science R&D projects funded by the National Science Foundation and Microsoft Research. He then joined Microsoft and AI/ML start-ups in the industry. He has shipped ML and DL models to production and has been a speaker at the Spark/Data+AI summit and NLP summit. He has recently published peer-reviewed papers on deep learning, linked data, and knowledge-infused learning at various ACM/IEEE conferences and journals.

Ebooka "Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Audiobooka "Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production" posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolonych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video "Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production" zobaczysz:

Oceny i opinie klientów: Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production Yong Liu, Dr. Matei Zaharia (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.

Szczegóły książki

Tytuł oryginału:: Practical Deep Learning at Scale with MLflow. Bridge the gap between offline experimentation and online production
ISBN Ebooka:: 978-18-032-4222-4, 9781803242224
Data wydania ebooka :: 2022-07-08 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
Język publikacji:: 1
Rozmiar pliku Pdf:: 9.7MB
Rozmiar pliku ePub:: 8.6MB

Zgłoś erratę
Kategorie:
Big Data » Analiza danych

Spis treści książki

1. Deep Learning Life Cycle and MLOps Challenges
2. Getting Started with MLflow for Deep Learning
3. Tracking Models, Parameters, and Metrics
4. Tracking Code and Data Versioning
5. Running DL Pipelines in Different Environments
6. Running Hyperparameter Tuning at Scale
7. Multi-Step Deep Learning Inference Pipeline
8. Deploying a DL Inference Pipeline at Scale
9. Fundamentals of Deep Learning Explainability
10. Implementing DL Explainability with MLflow

pokaż cały spis treści

Packt Publishing - inne książki

Zamknij

Proszę czekać...