MLOps实战 机器学习模型的开发、部署与应用
全新正版 极速发货
￥ 41.53 5.3折 ￥ 79 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者(英)马克·特雷维尔,美国the Dataiku Team
出版社机械工业出版社
ISBN9787111710097
出版时间2022-07
装帧平装
开本16开
定价79元
货号1202706576
上书时间2024-11-25
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
马克·特雷维尔（Mark Treveil），设计的产品涉及电信、银行和在线交易等多个领域。他自己的初创公司引领了英国地方政府的治理革命，目前它仍占据主导地位。他现在是Dataiku产品团队的一员。
目录
前言
第一部分 MLOps是什么，为什么要使用MLOps
第1章 为什么现在要使用MLOps，使用MLOps面临的挑战
1.1 定义MLOps及面临的挑战
1.2 使用MLOps以降低风险
1.3 大规模的MLOps
结语
第2章 MLOps的使用人员
2.1 行业专家
2.2 数据科学家
2.3 数据工程师
2.4 软件工程师
2.5 DevOps团队
2.6 模型风险管理者/审计师
2.7 机器学习架构师
结语
第3章 MLOps的主要组成部分
3.1 机器学习入门
3.2 模型开发
3.3 产品化与部署
3.4 监控
3.5 迭代与生命周期
3.6 治理
结语
第二部分 如何实现
第4章 开发模型
4.1 什么是机器学习模型
4.2 数据探索
4.3 特征工程与特征选择
4.4 实验
4.5 评估和比较模型
4.6 版本管理和再现性
结语
第5章 准备投入生产
5.1 运行时环境
5.2 模型风险评估
5.3 机器学习的质量保证
5.4 测试的关键注意事项
5.5 再现性和可审计性
5.6 机器学习安全
5.7 降低模型风险
结语
第6章 部署到生产
6.1 CI/CD管道
6.2 创建ML工件
6.3 部署策略
6.4 容器化
6.5 扩展部署
6.6 需求和挑战
结语
第7章 监控和反馈回路
7.1 模型应该多久接受一次再训练
7.2 理解模型退化
7.3 实践中的漂移检测
7.4 反馈回路
结语
第8章 模型治理
8.1 由谁决定组织的治理需求
8.2 将治理与风险级别相匹配
8.3 推动MLOps治理的现行法规
8.4 新一轮人工智能特定法规
8.5 负责任的人工智能的出现
8.6 负责任的人工智能的关键要素
8.7 MLOps治理模板
结语
第三部分 MLOps具体示例
第9章 实践中的MLOps：消费信贷风险管理
9.1 背景：商业使用案例
9.2 模型开发
9.3 模型偏见考虑
9.4 为生产做准备
9.5 部署到生产环境
结语
第10章 实践中的MLOps：营销推荐引擎
10.1 推荐引擎的兴起
10.2 数据准备
10.3 设计和管理实验
10.4 模型训练和部署
10.5 管道结构和部署策略
10.6 监控和反馈
结语
第11章 实践中的MLOps：消耗预测
11.1 能源系统
11.2 数据收集
11.3 问题定义：机器学习，还是不机器学习
11.4 空间和时间分辨率
11.5 实施
11.6 建模
11.7 部署
11.8 监控
结语
内容摘要
当今，组织创建的分析和机器学习(ML)模型中超过一半从未投入生产。机器学习运营化的一些挑战和障碍是技术性的，但其他则是组织性的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。
本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变革，并随着时间的推移维护和改进这些模型。以全球众多MLOD5应用课程为基础，9位机器学习专家深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。本书将帮助你：
通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。
通过重新训练、定期调整和全面重构来优化ML模型，以确保长期准确性。
设计MLOps生命周期，以使用公正、公平、可解释的模型将组织风险降至大力度优惠。
为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。
主编推荐
当今组织创建的分析和机器学习(ML)模型超过一半从未投入生产。机器学习运营化的一些挑战和障碍是技术性的，但其他则是组织性的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。
本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变化，并随着时间的推移维护和改进这些模型。以全球众多MLOps应用课程为基础，9位机器学习专家深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。
本书将帮助你：
·通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。
·通过再培训、定期调整和全面改造来完善ML模型，以确保长期准确性。
·设计MLOps生命周期，使用公正、公平、可解释的模型将组织风险降至*低。
·为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。
— 没有更多了 —
以下为对购买帮助不大的评价