新書推薦：
《
学术的中心：英法德美
》
售價：HK$
87.4
《
为什么要读人类学
》
售價：HK$
77.3
《
井邑无衣冠 ： 地方视野下的唐代精英与社会
》
售價：HK$
95.2
《
星地融合移动通信系统与关键技术从5G NTN到6G的卫星互联网发展
》
售價：HK$
212.6
《
妈妈，你好吗？（一封写给妈妈的“控诉”信，日本绘本奖作品）
》
售價：HK$
42.6
《
保守主义：为传统而战
》
售價：HK$
154.6
《
不同境遇的36岁：无尽与有限+人生半熟
》
售價：HK$
112.0
《
小时光 油画棒慢绘零基础教程
》
售價：HK$
88.5
|
| 編輯推薦： |
|
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。
|
| 內容簡介： |
|
本书分为三部分。第1部分介绍MLOps主题，深入探讨了它是如何(以及为什么)发展成一门学科的、需要谁参与才能成功执行MLOps以及需要哪些组成部分。第二部分介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监测和治理的章节。这些章节不仅包括一般的注意事项，还包括MLOps生命周期每个阶段的注意事项，并提供第3章中所涉及主题相关的更多详细信息。第三部分提供了MLOps的具体示例，以便读者了解MLOps在实践中的设置和含义。
|
| 目錄：
|
|
前言1第一部分 MLOps是什么，为什么要使用MLOps5第1章 为什么现在要使用MLOps，使用MLOps面临的挑战71.1 定义MLOps及面临的挑战81.2 使用MLOps以降低风险111.3 大规模的MLOps14结语15第2章 MLOps的使用人员162.1 行业专家172.2 数据科学家202.3 数据工程师222.4 软件工程师232.5 DevOps团队232.6 模型风险管理者/审计师242.7 机器学习架构师25结语26第3章 MLOps的主要组成部分273.1 机器学习入门273.2 模型开发283.3 产品化与部署313.4 监控333.5 迭代与生命周期363.6 治理38结语42第二部分 如何实现43第4章 开发模型454.1 什么是机器学习模型464.2 数据探索504.3 特征工程与特征选择504.4 实验534.5 评估和比较模型554.6 版本管理和再现性60结语62第5章 准备投入生产635.1 运行时环境635.2 模型风险评估675.3 机器学习的质量保证695.4 测试的关键注意事项695.5 再现性和可审计性705.6 机器学习安全725.7 降低模型风险74结语76第6章 部署到生产786.1 CI/CD管道786.2 创建ML工件806.3 部署策略826.4 容器化856.5 扩展部署866.6 需求和挑战88结语89第7章 监控和反馈回路907.1 模型应该多久接受一次再训练917.2 理解模型退化947.3 实践中的漂移检测977.4 反馈回路100结语108第8章 模型治理1098.1 由谁决定组织的治理需求1098.2 将治理与风险级别相匹配1118.3 推动MLOps治理的现行法规1128.4 新一轮人工智能特定法规1158.5 负责任的人工智能的出现1178.6 负责任的人工智能的关键要素1188.7 MLOps治理模板122结语130第三部分 MLOps具体示例131第9章 实践中的MLOps：消费信贷风险管理1339.1 背景：商业使用案例1339.2 模型开发1349.3 模型偏见考虑1359.4 为生产做准备1359.5 部署到生产环境136结语137第10章 实践中的MLOps：营销推荐引擎13810.1 推荐引擎的兴起13810.2 数据准备14010.3 设计和管理实验14110.4 模型训练和部署14110.5 管道结构和部署策略14410.6 监控和反馈145结语148第11章 实践中的MLOps：消耗预测14911.1 能源系统14911.2 数据收集15111.3 问题定义：机器学习，还是不机器学习15311.4 空间和时间分辨率15311.5 实施15411.6 建模15511.7 部署15711.8 监控157结语158
|
| 內容試閱：
|
|
在机器学习（ML）的发展历史中，我们已经到达了一个转折点，该技术已经从理论和学术领域进入了“现实世界”—为全世界的人提供各种服务和产品的业务。虽然这种转变令人兴奋，但同时也充满挑战，因为这将机器学习模型的复杂性与现代企业的复杂性结合在一起。随着各种企业从尝试机器学习到在生产环境中扩展机器学习，其中的困难之一便是维护。企业如何从仅管理单个模型转变为管理几十乃至成百上千个模型呢？这不仅仅是MLOps发挥作用的地方，也是体现上述技术和商业方面复杂性的地方。本书将向读者介绍当前使用MLOps面临的挑战，同时还为开发MLOps功能提供实用的见解和解决方案。本书适用人群我们专门为分析人员和IT运营团队经理（即直接面对在生产中扩展机器学习任务的人员）编写了这本书。鉴于MLOps是一个新领域，我们编写了本书，作为创建一个成功的MLOps环境的指南，涵盖了从组织到技术方面的挑战。本书结构本书分为三个部分。第一部分（第1～3章）是对MLOps主题的介绍，深入探讨它如何（以及为何）发展成一门学科、需要谁参与才能成功执行MLOps以及需要哪些组成部分。第二部分（第4～8章）大致介绍了机器学习模型的生命周期，其中包括有关模型开发、生产准备、生产部署、监控和治理的章节。这些章节不仅包括一般的注意事项，还包括MLOps生命周期每个阶段的注意事项，并提供与第3章中所涉及主题相关的更多详细信息。最后一部分（第9～11章）提供了MLOps在当今公司中的具体示例，以便读者了解MLOps在实践中的设置和含义。尽管公司名称是虚构的，但这些故事是以现实中的公司在MLOps和大规模模型管理方面的经验为基础的。排版约定本书中使用以下排版约定：斜体（Italic） 表示新的术语、URL、电子邮件地址、文件名和文件扩展名。等宽字体（Constant width） 用于程序清单，以及段落中的程序元素，例如变量名、函数名、数据库、 数据类型、环境变量、语句以及关键字。等宽粗体（Constant width bold） 表示应由用户直接输入的命令或其他文本。等宽斜体（Constant width italic） 表示应由用户提供的值或由上下文确定的值替换的文本。O’Reilly在线学习平台（O’Reilly Online Learning）40多年来，O’Reilly Media致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。我们拥有独一无二的专家和革新者组成的庞大网络，他们通过图书、文章、会议和我们的在线学习平台分享他们的知识和经验。O’Reilly的在线学习平台允许你按需访问现场培训课程、深入的学习路径、交互式编程环境，以及O’Reilly和200多家其他出版商提供的大量文本和视频资源。有关的更多信息，请访问http://oreilly.com。如何联系我们对于本书，如果有任何意见或疑问，请按照以下地址联系本书出版商。美国：O’Reilly Media，Inc.1005 Gravenstein Highway NorthSebastopol，CA 95472中国：北京市西城区西直门南大街2号成铭大厦C座807室（100035）奥莱利技术咨询（北京）有限公司要询问技术问题或对本书提出建议，请发送电子邮件至errata@oreilly.com.cn。本书配套网站https://oreil.ly/intro-mlops上列出了勘误表、示例以及其他信息。关于书籍、课程、会议和新闻的更多信息，请访问我们的网站http://www.oreilly.com。我们在Facebook上的地址：http://facebook.com/oreilly我们在Twitter上的地址：http://twitter.com/oreillymedia我们在YouTube上的地址：http://youtube.com/oreillymedia致谢我们要感谢整个Dataiku团队，感谢他们从构思到完成对本书出版的支持。这是真正的团队努力，就像我们在Dataiku做的大多数事情一样，植根于无数人和团队之间的基本合作。感谢那些从一开始就与O’Reilly一起支持我们的愿景的人、那些帮助我们写作和编辑的人、那些提供诚实反馈的人（即使这意味着更多的写作、重写、再重写）、那些在内部当啦啦队队员的人，当然，还有那些帮助我们将本书推向世界的人。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
