MLOps權威指南

第1章 MLOps簡介9
1.1 機器學習工程師和MLOps的興起9
1.2 什么是MLOps11
1.3 DevOps和MLOps12
1.4 MLOps需求層次14
1.5 小結25
練習題25
獨立思考和討論26
第2章 MLOps基礎27
2.1 Bash和Linux命令行27
2.2 云端shell開發(fā)環(huán)境28
2.3 Bash shell和常用命令29
2.4 云計算基礎和構建模塊32
2.5 云計算入門34
2.6 Python速成課程35
2.7 Python極簡教程37
2.8 程序員的數(shù)學速成課程39
2.9 機器學習關鍵概念50
2.10 開展數(shù)據(jù)科學工作52
2.11 從零開始構建一個MLOps管道54
2.12 小結60
練習題61
獨立思考和討論61
第3章 容器和邊緣設備的MLOps63
3.1 容器64
3.2 邊緣設備74
3.3 托管機器學習系統(tǒng)的容器82
3.4 小結84
練習題84
獨立思考和討論85
第4章 機器學習模型的持續(xù)交付86
4.1 機器學習模型打包87
4.2 機器學習模型持續(xù)交付中的基礎設施即代碼91
4.3 使用云管道97
4.4 小結104
練習題104
獨立思考和討論105
第5章 AutoML和KaizenML106
5.1 AutoML107
5.2 蘋果生態(tài)系統(tǒng)117
5.3 谷歌的AutoML和邊緣計算機視覺125
5.4 Azure的AutoML129
5.5 AWS的AutoML131
5.6 開源AutoML解決方案135
5.7 模型可解釋性137
5.8 小結141
練習題141
獨立思考和討論142
第6章 監(jiān)控和日志143
6.1 云MLOps的可觀測性144
6.2 日志記錄簡介146
6.3 Python中的日志記錄147
6.4 監(jiān)控及可觀測性153
6.5 小結163
練習題163
獨立思考和討論163
第7章 AWS的MLOps165
7.1 AWS簡介166
7.2 AWS上的MLOps Cookbook183
7.3 AWS Lambda方法196
7.4 將AWS機器學習應用于現(xiàn)實世界201
7.5 小結205
練習題206
獨立思考和討論206
第8章 Azure的MLOps207
8.1 Azure CLI和Python SDK208
8.2 身份認證209
8.3 計算實例212
8.4部署213
8.5 將模型部署到計算集群216
8.6 部署問題排查221
8.7 Azure機器學習管道226
8.8 機器學習生命周期230
8.9 小結231
練習題231
獨立思考和討論232
第9章 谷歌云平臺的MLOps233
9.1 谷歌云平臺概覽233
9.2 谷歌云平臺上的DataOps：應用數(shù)據(jù)工程248
9.3 機器學習模型運維252
9.4 小結254
練習題256
獨立思考和討論256
第10章 機器學習互操作性257
10.1 為什么互操作性至關重要258
10.2 ONNX：開放式神經(jīng)網(wǎng)絡交換260
10.3 蘋果的Core ML271
10.4 邊緣集成275
10.5 小結276
練習題276
獨立思考和討論277
第11章 構建MLOps命令行工具和微服務278
11.1 Python打包279
11.2 依賴文件280
11.3 命令行工具281
11.4 微服務291
11.5 機器學習CLI工作流300
11.6 小結302
練習題302
獨立思考和討論302
第12章 機器學習工程和MLOps案例研究304
12.1 在構建機器學習模型時無知帶來的難以置信的收益305
12.2 Sqor運動社交網(wǎng)絡中的MLOps工程306
12.3 完美技術與現(xiàn)實世界311
12.4 MLOps中的關鍵挑戰(zhàn)313
12.5 實施MLOps的最終建議319
12.6 小結321
練習題322
獨立思考和討論322
附錄323
附錄A 關鍵術語323
附錄B 技術認證327
附錄C 遠程工作342
附錄D 像VC一樣思考你的職業(yè)生涯346
附錄E 構建MLOps技術組合349
附錄F 數(shù)據(jù)科學案例研究：間歇性禁食354
附錄G 附加的教育資源358
附錄H 技術項目管理368