کتاب Practical MLOps: Operationalizing Machine Learning Models

توضیحات

به‌کارگیری مدل‌های یادگیری ماشین در محیط تولیدی یکی از چالش‌های اساسی در حوزه یادگیری ماشین است. MLOps، به عنوان یک مجموعه اصول و روش‌های کارآمد، به شما کمک می‌کند تا این چالش را با رویکردی خودکار و قابل اعتماد حل کنید. این راهنمای کاربردی به بررسی دقیق مفهوم MLOps و تفاوت آن با DevOps می‌پردازد و راهکارهای عملی برای عملیاتی کردن مدل‌های یادگیری ماشین را ارائه می‌دهد.

مهندسان یادگیری ماشین، چه تازه‌کار و چه حرفه‌ای، و همچنین افرادی که با علم داده و زبان برنامه‌نویسی پایتون آشنا هستند، می‌توانند از این راهنما بهره‌مند شوند. این کتاب به شما کمک می‌کند تا با ابزارها و روش‌های MLOps آشنا شوید و مفاهیم مهمی مانند AutoML، نظارت بر سیستم و ثبت گزارش را یاد بگیرید. همچنین، روش‌های پیاده‌سازی این ابزارها و روش‌ها را در پلتفرم‌های ابری مانند AWS، Microsoft Azure و Google Cloud به شما آموزش می‌دهد.

هرچه سریع‌تر بتوانید یک سیستم یادگیری ماشین تولیدی و کاربردی ایجاد کنید، زودتر می‌توانید بر مشکلات واقعی و چالش‌های تجاری که هدف شماست تمرکز کنید. این کتاب به شما کمک می‌کند تا یک شروع سریع و مؤثر در مسیر MLOps داشته باشید.

در این کتاب، مهارت‌هایی را فرا خواهید گرفت که شامل استفاده از بهترین شیوه‌های DevOps برای یادگیری ماشین، ساخت و نگهداری سیستم‌های یادگیری ماشین تولیدی، نظارت و تست عملکرد سیستم‌ها و انتخاب ابزارهای مناسب MLOps برای وظایف مختلف یادگیری ماشین می‌شود. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشین را روی پلتفرم‌ها و دستگاه‌های مختلف، از جمله تلفن‌های همراه و سخت‌افزارهای تخصصی، اجرا کنید.