مهندسی MLOps در مقیاس بزرگ ۲۰۲۲
MLOps Engineering at Scale 2022

در کتاب مهندسی MLOps در مقیاس بزرگ خواهید آموخت:

استخراج، تبدیل و بارگذاری مجموعه‌داده‌ها
پرس‌وجو در مجموعه‌داده‌ها با استفاده از SQL
درک تمایز خودکار در PyTorch
استقرار خطوط لوله آموزش مدل به عنوان یک نقطه پایانی سرویس
نظارت و مدیریت چرخه‌ی حیات خط لوله خود
سنجش بهبود عملکرد

مهندسی MLOps در مقیاس بزرگ به شما نشان می‌دهد چگونه با استفاده از خدمات از پیش ساخته‌شده‌ی AWS و سایر فروشندگان ابری، یادگیری ماشین را به طور کارآمد وارد مرحله‌ی تولید کنید. شما یاد خواهید گرفت که چگونه به سرعت سیستم‌های یادگیری ماشین انعطاف‌پذیر و مقیاس‌پذیر را بدون زحمت برای انجام وظایف عملیاتی وقت‌گیر یا تحمل هزینه‌های سربار سخت‌افزار فیزیکی ایجاد کنید. با پیروی از یک مورد استفاده‌ی واقعی برای محاسبه کرایه تاکسی، یک خط لوله MLOps را برای یک مدل PyTorch با استفاده از قابلیت‌های بدون سرور AWS مهندسی خواهید کرد.

درباره‌ی این فناوری

یک سیستم یادگیری ماشین آماده‌ی تولید، شامل خطوط لوله داده‌ی کارآمد، نظارت یکپارچه و ابزاری برای افزایش و کاهش مقیاس بر اساس تقاضا است. استفاده از خدمات مبتنی بر ابر برای پیاده‌سازی زیرساخت ML، زمان توسعه را کاهش و هزینه‌های میزبانی را پایین می‌آورد. MLOps بدون سرور نیاز به ساخت و نگهداری زیرساخت سفارشی را از بین می‌برد، بنابراین می‌توانید روی داده‌ها، مدل‌ها و الگوریتم‌های خود تمرکز کنید.

درباره‌ی کتاب

مهندسی MLOps در مقیاس بزرگ به شما می‌آموزد که چگونه با استفاده از خدمات از پیش ساخته‌شده‌ی AWS و سایر فروشندگان ابری، سیستم‌های یادگیری ماشین کارآمد را پیاده‌سازی کنید. این کتاب آسان‌فهم، شما را گام‌به‌گام در راه‌اندازی زیرساخت ML بدون سرور راهنمایی می‌کند، حتی اگر قبلاً هرگز از یک پلتفرم ابری استفاده نکرده باشید. همچنین، ابزارهایی مانند PyTorch Lightning، Optuna و MLFlow را بررسی خواهید کرد که ساخت خطوط لوله و مقیاس‌بندی مدل‌های یادگیری عمیق شما را در مرحله‌ی تولید آسان می‌کنند.

درون این کتاب خواهید یافت

کاهش یا حذف مدیریت زیرساخت ML
یادگیری ابزارهای پیشرفته MLOps مانند PyTorch Lightning و MLFlow
استقرار خطوط لوله آموزش به عنوان یک نقطه پایانی سرویس
نظارت و مدیریت چرخه‌ی حیات خط لوله خود
سنجش بهبود عملکرد

درباره‌ی مخاطب

خوانندگان باید با پایتون، SQL و مبانی یادگیری ماشین آشنا باشند. نیازی به تجربه‌ی کار با ابر نیست.

درباره‌ی نویسنده

کارل اوسیپوف اولین شبکه‌ی عصبی خود را در سال 2000 پیاده‌سازی کرد و در گوگل و IBM روی یادگیری عمیق و یادگیری ماشین کار کرده است.

فهرست مطالب

بخش اول – تسلط بر مجموعه داده
1 مقدمه ای بر یادگیری ماشین بدون سرور
2 شروع کار با مجموعه داده
3 کاوش و آماده سازی مجموعه داده
4 تجزیه و تحلیل اکتشافی بیشتر داده ها و آماده سازی داده ها
بخش دوم – PYTORCH برای یادگیری ماشین بدون سرور
5 معرفی PyTorch: مبانی تانسور
6 هسته PyTorch: Autograd، بهینه سازها و ابزارها
7 یادگیری ماشین بدون سرور در مقیاس بزرگ
8 مقیاس بندی با آموزش توزیع شده
بخش سوم – خط لوله یادگیری ماشین بدون سرور
9 انتخاب ویژگی
10 پذیرش PyTorch Lightning
11 بهینه سازی هایپرپارامتر
12 خط لوله یادگیری ماشین

In MLOps Engineering at Scale you will learn:

Extracting, transforming, and loading datasets
Querying datasets with SQL
Understanding automatic differentiation in PyTorch
Deploying model training pipelines as a service endpoint
Monitoring and managing your pipeline’s life cycle
Measuring performance improvements

MLOps Engineering at Scale shows you how to put machine learning into production efficiently by using pre-built services from AWS and other cloud vendors. You’ll learn how to rapidly create flexible and scalable machine learning systems without laboring over time-consuming operational tasks or taking on the costly overhead of physical hardware. Following a real-world use case for calculating taxi fares, you will engineer an MLOps pipeline for a PyTorch model using AWS server-less capabilities.

About the technology
A production-ready machine learning system includes efficient data pipelines, integrated monitoring, and means to scale up and down based on demand. Using cloud-based services to implement ML infrastructure reduces development time and lowers hosting costs. Serverless MLOps eliminates the need to build and maintain custom infrastructure, so you can concentrate on your data, models, and algorithms.

About the book
MLOps Engineering at Scale teaches you how to implement efficient machine learning systems using pre-built services from AWS and other cloud vendors. This easy-to-follow book guides you step-by-step as you set up your serverless ML infrastructure, even if you’ve never used a cloud platform before. You’ll also explore tools like PyTorch Lightning, Optuna, and MLFlow that make it easy to build pipelines and scale your deep learning models in production.

What’s inside

Reduce or eliminate ML infrastructure management
Learn state-of-the-art MLOps tools like PyTorch Lightning and MLFlow
Deploy training pipelines as a service endpoint
Monitor and manage your pipeline’s life cycle
Measure performance improvements

About the reader
Readers need to know Python, SQL, and the basics of machine learning. No cloud experience required.

About the author
Carl Osipov implemented his first neural net in 2000 and has worked on deep learning and machine learning at Google and IBM.

Table of Contents

PART 1 – MASTERING THE DATA SET
1 Introduction to serverless machine learning
2 Getting started with the data set
3 Exploring and preparing the data set
4 More exploratory data analysis and data preparation
PART 2 – PYTORCH FOR SERVERLESS MACHINE LEARNING
5 Introducing PyTorch: Tensor basics
6 Core PyTorch: Autograd, optimizers, and utilities
7 Serverless machine learning at scale
8 Scaling out with distributed training
PART 3 – SERVERLESS MACHINE LEARNING PIPELINE
9 Feature selection
10 Adopting PyTorch Lightning
11 Hyperparameter optimization
12 Machine learning pipeline