Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch Adi Polak
- Autor:
- Adi Polak
- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- Stron:
- 264
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis
książki
:
Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch
Czego się nauczysz?
- Etapów przepływu pracy uczenia maszynowego w środowiskach rozproszonych
- Różnic między modelami scentralizowanymi a zdecentralizowanymi oraz ich architektur
- Komunikacji i interakcji w systemach rozproszonych
- Konfiguracji i uruchamiania środowiska Apache Spark oraz PySpark
- Zarządzania cyklem życia eksperymentów uczenia maszynowego z wykorzystaniem MLflow
- Pozyskiwania, przetwarzania wstępnego i analizy danych z użyciem Sparka
- Inżynierii cech oraz ich ekstrakcji z tekstu i obrazów za pomocą MLlib
- Szkolenia modeli nadzorowanych i nienadzorowanych w Spark MLlib
- Budowania, ewaluacji i utrwalania potoków uczenia maszynowego
- Łączenia Sparka z frameworkami uczenia głębokiego, takimi jak TensorFlow i PyTorch
- Implementacji rozproszonego uczenia maszynowego w TensorFlow z różnymi strategiami trenowania
- Wykorzystywania rozproszonych technik szkolenia modeli w PyTorch, w tym DDP i RPC
- Rozwiązywania problemów typowych dla środowisk rozproszonych i integracji danych
- Wdrażania modeli uczenia maszynowego z wykorzystaniem wzorców wdrożeniowych
- Monitorowania modeli w środowisku produkcyjnym i reagowania na dryf danych oraz dryf modelu
- Tworzenia produkcyjnych potoków uczenia maszynowego z użyciem MLlib, MLflow i mikrousług
Jeśli chcesz dostosować swoją pracę do większych zbiorów danych i bardziej złożonych kodów, potrzebna Ci jest znajomość technik rozproszonego uczenia maszynowego. W tym celu warto poznać frameworki Apache Spark, PyTorch i TensorFlow, a także bibliotekę MLlib. Biegłość w posługiwaniu się tymi narzędziami przyda Ci się w całym cyklu życia oprogramowania ― nie tylko ułatwi współpracę, ale również tworzenie powtarzalnego kodu.
Dzięki tej książce nauczysz się holistycznego podejścia, które zdecydowanie usprawni współpracę między zespołami. Najpierw zapoznasz się z podstawowymi informacjami o przepływach pracy związanych z uczeniem maszynowym przy użyciu Apache Spark i pakietu PySpark. Nauczysz się też zarządzać cyklem życia eksperymentów dla potrzeb uczenia maszynowego za pomocą biblioteki MLflow. Z kolejnych rozdziałów dowiesz się, jak od strony technicznej wygląda korzystanie z platformy uczenia maszynowego. W książce znajdziesz również opis wzorców wdrażania, wnioskowania i monitorowania modeli w środowisku produkcyjnym.
Najciekawsze zagadnienia:
- cykl życia uczenia maszynowego i MLflow
- inżynieria cech i przetwarzanie wstępne za pomocą Sparka
- szkolenie modelu i budowa potoku
- budowa systemu danych z wykorzystaniem uczenia głębokiego
- praca TensorFlow w trybie rozproszonym
- skalowanie systemu i tworzenie jego wewnętrznej architektury
Właśnie takiej książki społeczność Sparka wyczekuje od dekady!
Andy Petrella, autor książki Fundamentals of Data Observability
Wybrane bestsellery
Helion - inne książki
Dzięki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep@ebookpoint.pl
Książka drukowana

Oceny i opinie klientów: Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch Adi Polak
(1)-
6
-
5
-
4
-
3
-
2
-
1
3.0(0)
(0)
(0)
(1)
(0)
(0)