یادگیری ماشین در تولید ۲۰۲۳
Machine Learning in Production 2023

مدل‌های یادگیری ماشین را با MLOps به آسانی مستقر، مدیریت و مقیاس‌بندی کنید.

ویژگی‌های کلیدی

●      بررسی روش‌های مختلف برای ساخت و استقرار مدل‌های ML در محیط عملیاتی با استفاده از یک خط لوله CI/CD خودکار.

●      توسعه و تبدیل برنامه‌های ML به برنامه‌های Android و Windows.

●      آموزش نحوه پیاده‌سازی استقرار مدل ML روی پلتفرم‌های ابری محبوب، از جمله Azure، GCP و AWS.

توضیحات

«یادگیری ماشین در عمل» تلاشی است برای رمزگشایی مسیر یک حرفه قابل توجه در زمینه MLOps. این کتاب یک راهنمای جامع برای مدیریت چرخه عمر یادگیری ماشین از توسعه تا استقرار است و راه‌هایی را تشریح می‌کند که از طریق آن می‌توانید مدل‌های ML را در محیط عملیاتی مستقر کنید.

این کتاب با مفاهیم اساسی، مقدمه‌ای بر چرخه عمر ML و MLOps شروع می‌شود و به دنبال آن دستورالعمل‌های گام به گام جامعی در مورد نحوه توسعه یک بسته برای کد ML از ابتدا ارائه می‌کند که می‌توان آن را با استفاده از pip نصب کرد. سپس MLflow را برای مدیریت چرخه عمر ML، خطوط لوله CI/CD پوشش می‌دهد و نشان می‌دهد که چگونه برنامه‌های ML را در Azure، GCP و AWS مستقر کنید. علاوه بر این، راهنمایی‌هایی در مورد نحوه تبدیل برنامه‌های پایتون به برنامه‌های Android و Windows و همچنین نحوه توسعه برنامه‌های وب ML ارائه می‌کند. در نهایت، نظارت، موضوع حیاتی حملات یادگیری ماشین و تست A/B را پوشش می‌دهد.

با استفاده از این کتاب، می‌توانید به راحتی راهکارهای یادگیری ماشین را در محیط عملیاتی بسازید و مستقر کنید.

آنچه خواهید آموخت

●      تسلط بر چرخه عمر یادگیری ماشین با MLOps.

●      یادگیری بهترین روش‌ها برای مدیریت مدل‌های ML در مقیاس.

●      ساده‌سازی گردش کار ML با MLFlow.

●      پیاده‌سازی راهکارهای نظارتی با استفاده از whylogs، WhyLabs، Grafana و Prometheus.

●      استفاده از Docker و Kubernetes برای استقرار ML.

این کتاب برای چه کسانی مناسب است

خواه دانشمند داده، مهندس ML، متخصص DevOps، مهندس نرم‌افزار یا معمار ابری باشید، این کتاب به شما کمک می‌کند تا مدل‌های یادگیری ماشین خود را به سرعت و کارآمدی وارد محیط عملیاتی کنید.

فهرست مطالب

۱. پایتون ۱۰۱

۲. مبانی Git و GitHub

۳. چالش‌ها در استقرار مدل ML

۴. بسته‌بندی مدل‌های ML

۵. MLflow-پلتفرمی برای مدیریت چرخه عمر ML

۶. Docker برای ML

۷. ساخت برنامه‌های وب ML با استفاده از API

۸. ساخت برنامه‌های بومی ML

۹. CI/CD برای ML

۱۰. استقرار مدل‌های ML در Heroku

۱۱. استقرار مدل‌های ML در Microsoft Azure

۱۲. استقرار مدل‌های ML در Google Cloud Platform

۱۳. استقرار مدل‌های ML در Amazon Web Services

۱۴. نظارت و اشکال‌زدایی

۱۵. پس از تولیدی‌سازی مدل‌های ML

Deploy, manage, and scale Machine Learning models with MLOps effortlessly

KEY FEATURES  

● Explore several ways to build and deploy ML models in production using an automated CI/CD pipeline.

● Develop and convert ML apps into Android and Windows apps.

● Learn how to implement ML model deployment on popular cloud platforms, including Azure, GCP, and AWS.

DESCRIPTION 

‘Machine Learning in Production’ is an attempt to decipher the path to a remarkable career in the field of MLOps. It is a comprehensive guide to managing the machine learning lifecycle from development to deployment, outlining ways in which you can deploy ML models in production.

It starts off with fundamental concepts, an introduction to the ML lifecycle and MLOps, followed by comprehensive step-by-step instructions on how to develop a package for ML code from scratch that can be installed using pip. It then covers MLflow for ML life cycle management, CI/CD pipelines, and shows how to deploy ML applications on Azure, GCP, and AWS. Furthermore, it provides guidance on how to convert Python applications into Android and Windows apps, as well as how to develop ML web apps. Finally, it covers monitoring, the critical topic of machine learning attacks, and A/B testing.

With this book, you can easily build and deploy machine learning solutions in production.

WHAT YOU WILL LEARN

● Master the Machine Learning lifecycle with MLOps.

● Learn best practices for managing ML models at scale.

● Streamline your ML workflow with MLFlow.

● Implement monitoring solutions using whylogs, WhyLabs, Grafana, and Prometheus.

● Use Docker and Kubernetes for ML deployment.

WHO THIS BOOK IS FOR

Whether you are a Data scientist, ML engineer, DevOps professional, Software engineer, or Cloud architect, this book will help you get your machine learning models into production quickly and efficiently.

TABLE OF CONTENTS

1. Python 101

2. Git and GitHub Fundamentals

3. Challenges in ML Model Deployment

4. Packaging ML Models

5. MLflow-Platform to Manage the ML Life Cycle

6. Docker for ML

7. Build ML Web Apps Using API

8. Build Native ML Apps

9. CI/CD for ML

10. Deploying ML Models on Heroku

11. Deploying ML Models on Microsoft Azure

12. Deploying ML Models on Google Cloud Platform

13. Deploying ML Models on Amazon Web Services

14. Monitoring and Debugging

15. Post-Productionizing ML Models