یادگیری ماشین پیوسته با Kubeflow ۲۰۲۱
Continuous Machine Learning with Kubeflow 2021

سفری روشنگرانه به دنیای MLOps، DevOps و یادگیری ماشین در محیط واقعی.

ویژگی‌های کلیدی:

* دانش گسترده و توضیح مفاهیم اجزای Kubernetes به همراه مثال.
* راهنمای جامع برای آموزش و استقرار خطوط لوله ML با استفاده از Docker و Kubernetes.
* شامل پروژه‌های متعدد MLOps با دسترسی به چارچوب‌های اثبات‌شده و استفاده از مفاهیم یادگیری عمیق.

توضیحات:

کتاب “یادگیری ماشین مداوم با Kubeflow” شما را با زیرساخت مدرن یادگیری ماشین، شامل Kubernetes و معماری Kubeflow آشنا می‌کند. این کتاب اصول استقرار موارد استفاده مختلف هوش مصنوعی/یادگیری ماشین با آموزش و ارائه TensorFlow با Kubernetes را توضیح می‌دهد و نشان می‌دهد که چگونه Kubernetes می‌تواند در پروژه‌های خاص از ابتدا تا انتها کمک کند.

این کتاب به شما کمک می‌کند تا نحوه استفاده از اجزای Kubeflow، استقرار آنها در GCP و ارائه آنها در محیط عملیاتی با استفاده از پیش‌بینی داده‌های بی‌درنگ را نشان دهید. با Kubeflow KFserving، تکنیک‌های ارائه را بررسی می‌کنیم، یک رابط کاربری مبتنی بر بینایی کامپیوتر در streamlit می‌سازیم و سپس آن را در پلتفرم‌های ابری گوگل، Kubernetes و Heroku مستقر می‌کنیم. در ادامه، نحوه ساخت هوش مصنوعی قابل توضیح برای تعیین انصاف و سوگیری با ابزار What-if را بررسی می‌کنیم. با پشتیبانی از موارد استفاده مختلف، یاد می‌گیریم که چگونه یادگیری ماشین را در محیط عملیاتی قرار دهیم، از جمله آموزش و ارائه.

پس از خواندن این کتاب، قادر خواهید بود پروژه‌های ML خود را با استفاده از Kubeflow و آخرین فناوری در فضای ابری بسازید. علاوه بر این، دانش جامعی از DevOps و MLOps به دست خواهید آورد که درهای مختلف شغلی را در شرکت‌ها به روی شما باز می‌کند.

آنچه خواهید آموخت:

* با معماری و هماهنگ‌سازی Kubernetes راحت شوید.
* یاد بگیرید که چگونه با استفاده از Docker و Google Cloud Platform از ابتدا کانتینریزه و مستقر کنید.
* تمرین کنید که چگونه خط لوله Kubeflow Orchestrator را برای یک مدل TensorFlow توسعه دهید.
* خطوط لوله AWS SageMaker را از آموزش تا استقرار در محیط عملیاتی ایجاد کنید.
* خط لوله TensorFlow Extended (TFX) را برای یک برنامه NLP با استفاده از Tensorboard و TFMA بسازید.

این کتاب برای چه کسانی است:

این کتاب برای متخصصان MLOps، DevOps، مهندسان یادگیری ماشین و دانشمندان داده است که می‌خواهند به طور مداوم خطوط لوله یادگیری ماشین را مستقر کرده و آنها را در مقیاس بزرگ با استفاده از Kubernetes مدیریت کنند. خوانندگان باید پیشینه قوی در یادگیری ماشین داشته باشند و دانش اولیه از Kubernetes مورد نیاز است.

فهرست مطالب:

1. مقدمه‌ای بر Kubeflow و معماری ابری Kubernetes
2. توسعه خط لوله Kubeflow در GCP
3. طراحی مدل بینایی کامپیوتر در Kubeflow
4. ساخت خط لوله TFX
5. قابلیت توضیح و تفسیر مدل ML
6. ساخت توسعه خط لوله Weights & Biases
7. ML کاربردی با AWS Sagemaker
8. توسعه برنامه وب با Streamlit و Heroku

An insightful journey to MLOps, DevOps, and Machine Learning in the real environment.

 

KEY FEATURES  

● Extensive knowledge and concept explanation of Kubernetes components with examples.

● An all-in-one knowledge guide to train and deploy ML pipelines using Docker and Kubernetes.

● Includes numerous MLOps projects with access to proven frameworks and the use of deep learning concepts.

 

DESCRIPTION 

‘Continuous Machine Learning with Kubeflow’ introduces you to the modern machine learning infrastructure, which includes Kubernetes and the Kubeflow architecture. This book will explain the fundamentals of deploying various AI/ML use cases with TensorFlow training and serving with Kubernetes and how Kubernetes can help with specific projects from start to finish.

This book will help demonstrate how to use Kubeflow components, deploy them in GCP, and serve them in production using real-time data prediction. With Kubeflow KFserving, we’ll look at serving techniques, build a computer vision-based user interface in streamlit, and then deploy it to the Google cloud platforms, Kubernetes and Heroku.  Next, we also explore how to build Explainable AI for determining fairness and biasness with a What-if tool. Backed with various use-cases, we will learn how to put machine learning into production, including training and serving. 

After reading this book, you will be able to build your ML projects in the cloud using Kubeflow and the latest technology. In addition, you will gain a solid knowledge of DevOps and MLOps, which will open doors to various job roles in companies.

 

WHAT YOU WILL LEARN

● Get comfortable with the architecture and the orchestration of Kubernetes.

● Learn to containerize and deploy from scratch using Docker and Google Cloud Platform.

● Practice how to develop the Kubeflow Orchestrator pipeline for a TensorFlow model.

● Create AWS SageMaker pipelines, right from training to deployment in production.

● Build the TensorFlow Extended (TFX) pipeline for an NLP application using Tensorboard and TFMA.

WHO THIS BOOK IS FOR  

This book is for MLOps, DevOps, Machine Learning Engineers, and Data Scientists who want to continuously deploy machine learning pipelines and manage them at scale using Kubernetes. The readers should have a strong background in machine learning and some knowledge of Kubernetes is required.

 

TABLE OF CONTENTS

1. Introduction to Kubeflow &  Kubernetes Cloud Architecture

2. Developing Kubeflow Pipeline in GCP

3. Designing Computer Vision Model  in Kubeflow

4. Building TFX Pipeline

5. ML Model Explainability & Interpretability 

6. Building Weights & Biases Pipeline Development

7. Applied ML with AWS Sagemaker

8. Web App Development with Streamlit  & Heroku