万本电子书0元读

万本电子书0元读

顶部广告

MLOps工程实践:工具、技术与企业级应用电子书

(1)作者背景资深:AI独角兽第四范式的联合创始人和技术VP领衔,腾讯、小米、百度、网易、中兴、众安保险等企业的技术专家共同参与。 (2)4个维度展:从工具、技术、企业级应用、成熟度评估4个维度全面讲解MLOps,指导企业构建可靠、高效、可复用、可扩展的机器学习模型。 (3)大厂现身说法:腾讯、小米、百度、网易、中兴、众安保险的AI技术专家通过案例方式详细讲解他们在MLOps领域的工程实践。

售       价:¥

纸质售价:¥81.70购买纸书

9人正在读 | 0人评论 6.6

作       者:陈雨强,郑曌,谭中意,卢冕

出  版  社:机械工业出版社

出版时间:2023-08-23

字       数:19.9万

所属分类: 科技 > 计算机/网络 > 计算机理论与教程

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
内容简介 这是一本能指导企业利用MLOps技术构建可靠、高效、可复用、可扩展的机器学习模型从而实现AI工程化落地的著作。由国内AI领域的独角兽企业第四范式的联合创始人和技术VP领衔撰写,从工具、技术、企业级应用、成熟度评估4个维度对MLOps行了全面的讲解。 本书的主要内容包括如下9个方面: (1)MLOps的核心概念和方法,可以帮助读者全面了解MLOps的基本原理; (2)MLOps涉及的几种角色,以及这些角色之间如何协作; (3)机器学习项目的基础知识和全流程,是学习和应用MLOps的基础; (4)MLOps中的数据处理、主要流水线工具Airflow和MLflow、特征平台和实时特征平台OpenMLDB、推理工具Adlik,为读者系统讲解MLOps的技术和工具; (5)云服务供应商的端到端MLOps解决方案; (6)第四范式、网易、小米、腾讯、众安金融等企业的MLOps工程实践案例和经验; (7)MLOps的成熟度模型,以及微软、谷歌和信通院对MLOps成熟度模型的划分; (8)针对不同规模的企业和团队的MLOps最佳实践,帮助他们量身定做MLOps策略; (9)MLOps的未来发展趋势,以及如何将新技术融MLOps实践中。 本书深浅出、循序渐地讲解了如何在实际项目中利用MLOps行机器学习模型的部署、监控与优化,以及如何利用MLOps实现持续集成与持续交付等高效的工作流程。通过企业级的MLOps案例和解决方案,帮助读者轻松掌握MLOps的设计思路以及如何应用MLOps解决实际问题。<br/>【推荐语】<br/>(1)作者背景资深:AI独角兽第四范式的联合创始人和技术VP领衔,腾讯、小米、百度、网易、中兴、众安保险等企业的技术专家共同参与。 (2)4个维度展:从工具、技术、企业级应用、成熟度评估4个维度全面讲解MLOps,指导企业构建可靠、高效、可复用、可扩展的机器学习模型。 (3)大厂现身说法:腾讯、小米、百度、网易、中兴、众安保险的AI技术专家通过案例方式详细讲解他们在MLOps领域的工程实践。 (4)9大主题内容:通过9大主题内容讲解如何在实际项目中利用MLOps行机器学习模型的部署、监控与优化,以及如何利用MLOps实现持续集成与持续交付等高效工作流程。 (5)9位专家推荐:来自小米、字节、网易、百度、腾讯等企业的9位知名技术专家高度评价并鼎力推荐。<br/>
目录展开

AUTHOR INTRODUCTION 作者简介

PREFACE 前言

CHAPTER 1 第1章 全面了解MLOps

1.1 人工智能的趋势和现状

1.2 人工智能的问题、挑战以及应对措施

1.3 MLOps简介

1.4 MLOps与DevOps

1.5 MLOps与其他XOps的区别

1.6 本章小结

CHAPTER 2 第2章 MLOps涉及的角色

2.1 角色类型

2.2 角色划分以及角色之间存在的问题

2.3 本章小结

CHAPTER 3 第3章 机器学习项目概论

3.1 机器学习项目简介

3.2 深入理解机器学习项目全流程

3.3 本章小结

CHAPTER 4 第4章 MLOps中的数据部分

4.1 从以模型为中心到以数据为中心

4.2 MLOps中的数据生命周期管理

4.3 数据存储架构演进

4.4 MLOps中主要的数据问题及解决方案

4.5 本章小结

CHAPTER 5 第5章 流水线工具

5.1 Airflow

5.2 MLflow

5.3 其他流水线工具

5.4 本章小结

CHAPTER 6 第6章 特征平台

6.1 特征平台的概念和起源

6.2 特征平台的特性

6.3 特征平台的现状

6.4 主流的特征平台

6.5 特征平台的发展趋势

6.6 本章小结

CHAPTER 7 第7章 实时特征平台OpenMLDB

7.1 实时特征平台构建方法论

7.2 OpenMLDB项目介绍

7.3 核心模块——在线引擎

7.4 核心数据结构

7.5 高级特性——主从集群部署

7.6 高级特性——双存储引擎

7.7 执行流程介绍

7.8 实践

7.9 生态整合——在线数据源Kafka

7.10 生态整合——离线数据源Hive

7.11 案例:出租车行程时间预测

7.12 本章小结

CHAPTER 8 第8章 Adlik推理工具链

8.1 机器学习模型落地挑战

8.2 Adlik的优势

8.3 Adlik的架构

8.4 快速入门

8.5 Adlik端到端模型推理优化实践

8.6 本章小结

CHAPTER 9 第9章 云服务供应商的端到端MLOps解决方案

9.1 认识SageMaker

9.2 无代码实现供应链中到货时间的预测

9.3 应用SageMaker Notebook进行MLOps管理

9.4 本章小结

CHAPTER 10 第10章 MLOps在反欺诈与推荐系统中的应用

10.1 案例1:信用卡交易反欺诈系统

10.2 案例2:推荐系统

10.3 本章小结

CHAPTER 11 第11章 网易云音乐实时模型大规模应用之道

11.1 从云音乐直播推荐中的实时性说起

11.2 实时增量模型的构建

11.3 特征平台将实时能力泛化到更多场景

11.4 FeatureBox

11.5 在线预估基于FeatureBox的构建

11.6 本章小结

CHAPTER 12 第12章 小米广告机器学习平台实践

12.1 小米广告一站式机器学习平台简介

12.2 特征工程模块

12.3 模型训练平台

12.4 线上推理模块

12.5 本章小结

CHAPTER 13 第13章 腾讯金融推荐中台实践

13.1 业务介绍

13.2 现状及挑战

13.3 MLOps实践

13.4 推荐系统产品体系

13.5 系统设计

13.6 本章小结

CHAPTER 14 第14章 众安金融实时特征平台实践

14.1 众安金融的MLOps建设背景

14.2 众安金融的MLOps建设思路

14.3 实时特征平台的架构设计

14.4 实时业务特征计算

14.5 反欺诈场景中的特征计算

14.6 本章小结

CHAPTER 15 第15章 MLOps成熟度模型

15.1 能力成熟度模型概述

15.2 谷歌的MLOps成熟度模型

15.3 微软的MLOps成熟度模型

15.4 信通院的MLOps成熟度模型

15.5 本章小结

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部