MLOps权威指南

文后

附录H 技术项目管理

附录G 附加的教育资源

附录F 数据科学案例研究：间歇性禁食

附录E 构建MLOps技术组合

附录D 像VC一样思考你的职业生涯

附录C 远程工作

附录B 技术认证

附录A 关键术语

附录

独立思考和讨论

练习题

12.6 小结

12.5 实施MLOps的最终建议

12.4 MLOps中的关键挑战

12.3 完美技术与现实世界

12.2 Sqor运动社交网络中的MLOps工程

12.1 在构建机器学习模型时无知带来的难以置信的收益

第12章 机器学习工程和MLOps案例研究

独立思考和讨论

练习题

11.6 小结

11.5 机器学习CLI工作流

11.4 微服务

11.3 命令行工具

11.2 依赖文件

11.1 Python打包

第11章 构建MLOps命令行工具和微服务

独立思考和讨论

练习题

10.5 小结

10.4 边缘集成

10.3 苹果的Core ML

10.2 ONNX：开放式神经网络交换

10.1 为什么互操作性至关重要

第10章 机器学习互操作性

独立思考和讨论

练习题

9.4 小结

9.3 机器学习模型运维

9.2 谷歌云平台上的DataOps：应用数据工程

9.1 谷歌云平台概览

第9章 谷歌云平台的MLOps

独立思考和讨论

练习题

8.9 小结

8.8 机器学习生命周期

8.7 Azure机器学习管道

8.6 部署问题排查

8.5 将模型部署到计算集群

8.4 部署

8.3 计算实例

8.2 身份认证

8.1 Azure CLI和Python SDK

第8章 Azure的MLOps

独立思考和讨论

练习题

7.5 小结

7.4 将AWS机器学习应用于现实世界

7.3 AWS Lambda方法

7.2 AWS上的MLOps Cookbook

7.1 AWS简介

第7章 AWS的MLOps

独立思考和讨论

练习题

6.5 小结

6.4 监控及可观测性

6.3 Python中的日志记录

6.2 日志记录简介

6.1 云MLOps的可观测性

第6章 监控和日志

独立思考和讨论

练习题

5.8 小结

5.7 模型可解释性

5.6 开源AutoML解决方案

5.5 AWS的AutoML

5.4 Azure的AutoML

5.3 谷歌的AutoML和边缘计算机视觉

5.2 苹果生态系统

5.1 AutoML

第5章 AutoML和KaizenML

独立思考和讨论

练习题

4.4 小结

4.3 使用云管道

4.2 机器学习模型持续交付中的基础设施即代码

4.1 机器学习模型打包

第4章 机器学习模型的持续交付

独立思考和讨论

练习题

3.4 小结

3.3 托管机器学习系统的容器

3.2 边缘设备

3.1 容器

第3章 容器和边缘设备的MLOps

独立思考和讨论

练习题

2.12 小结

2.11 从零开始构建一个MLOps管道

2.10 开展数据科学工作

2.9 机器学习关键概念

2.8 程序员的数学速成课程

2.7 Python极简教程

2.6 Python速成课程

2.5 云计算入门

2.4 云计算基础和构建模块

2.3 Bash shell和常用命令

2.2 云端shell开发环境

2.1 Bash和Linux命令行

第2章 MLOps基础

独立思考和讨论

练习题

1.5 小结

1.4 MLOps需求层次

1.3 DevOps和MLOps

1.2 什么是MLOps

1.1 机器学习工程师和MLOps的兴起

第1章 MLOps简介

前言

O'Reilly Media，Inc.介绍

版权信息

封面

封面

版权信息

O'Reilly Media，Inc.介绍

前言

第1章 MLOps简介

1.1 机器学习工程师和MLOps的兴起

1.2 什么是MLOps

1.3 DevOps和MLOps

1.4 MLOps需求层次

1.5 小结

练习题

独立思考和讨论

第2章 MLOps基础

2.1 Bash和Linux命令行

2.2 云端shell开发环境

2.3 Bash shell和常用命令

2.4 云计算基础和构建模块

2.5 云计算入门

2.6 Python速成课程

2.7 Python极简教程

2.8 程序员的数学速成课程

2.9 机器学习关键概念

2.10 开展数据科学工作

2.11 从零开始构建一个MLOps管道

2.12 小结

练习题

独立思考和讨论

第3章 容器和边缘设备的MLOps

3.1 容器

3.2 边缘设备

3.3 托管机器学习系统的容器

3.4 小结

练习题

独立思考和讨论

第4章 机器学习模型的持续交付

4.1 机器学习模型打包

4.2 机器学习模型持续交付中的基础设施即代码

4.3 使用云管道

4.4 小结

练习题

独立思考和讨论

第5章 AutoML和KaizenML

5.1 AutoML

5.2 苹果生态系统

5.3 谷歌的AutoML和边缘计算机视觉

5.4 Azure的AutoML

5.5 AWS的AutoML

5.6 开源AutoML解决方案

5.7 模型可解释性

5.8 小结

练习题

独立思考和讨论

第6章 监控和日志

6.1 云MLOps的可观测性

6.2 日志记录简介

6.3 Python中的日志记录

6.4 监控及可观测性

6.5 小结

练习题

独立思考和讨论

第7章 AWS的MLOps

7.1 AWS简介

7.2 AWS上的MLOps Cookbook

7.3 AWS Lambda方法

7.4 将AWS机器学习应用于现实世界

7.5 小结

练习题

独立思考和讨论

第8章 Azure的MLOps

8.1 Azure CLI和Python SDK

8.2 身份认证

8.3 计算实例

8.4 部署

8.5 将模型部署到计算集群

8.6 部署问题排查

8.7 Azure机器学习管道

8.8 机器学习生命周期

8.9 小结

练习题

独立思考和讨论

第9章 谷歌云平台的MLOps

9.1 谷歌云平台概览

9.2 谷歌云平台上的DataOps：应用数据工程

9.3 机器学习模型运维

9.4 小结

练习题

独立思考和讨论

第10章 机器学习互操作性

10.1 为什么互操作性至关重要

10.2 ONNX：开放式神经网络交换

10.3 苹果的Core ML

10.4 边缘集成

10.5 小结

练习题

独立思考和讨论

第11章 构建MLOps命令行工具和微服务

11.1 Python打包

11.2 依赖文件

11.3 命令行工具

11.4 微服务

11.5 机器学习CLI工作流

11.6 小结

练习题

独立思考和讨论

第12章 机器学习工程和MLOps案例研究

12.1 在构建机器学习模型时无知带来的难以置信的收益

12.2 Sqor运动社交网络中的MLOps工程

12.3 完美技术与现实世界

12.4 MLOps中的关键挑战

12.5 实施MLOps的最终建议

12.6 小结

练习题

独立思考和讨论

附录

附录A 关键术语

附录B 技术认证

附录C 远程工作

附录D 像VC一样思考你的职业生涯

附录E 构建MLOps技术组合

附录F 数据科学案例研究：间歇性禁食

附录G 附加的教育资源

附录H 技术项目管理

文后