Building Machine Learning Pipelines
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autorzy:
- Hannes Hapke, Catherine Nelson
![Building Machine Learning Pipelines Hannes Hapke, Catherine Nelson - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_1ub7.png)
![Building Machine Learning Pipelines Hannes Hapke, Catherine Nelson - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_1ub7.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 366
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Building Machine Learning Pipelines
Companies are spending billions on machine learning projects, but it’s money wasted if the models can’t be deployed effectively. In this practical guide, Hannes Hapke and Catherine Nelson walk you through the steps of automating a machine learning pipeline using the TensorFlow ecosystem. You’ll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems.
Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects.
- Understand the steps to build a machine learning pipeline
- Build your pipeline using components from TensorFlow Extended
- Orchestrate your machine learning pipeline with Apache Beam, Apache Airflow, and Kubeflow Pipelines
- Work with data using TensorFlow Data Validation and TensorFlow Transform
- Analyze a model in detail using TensorFlow Model Analysis
- Examine fairness and bias in your model performance
- Deploy models with TensorFlow Serving or TensorFlow Lite for mobile devices
- Learn privacy-preserving machine learning techniques
Wybrane bestsellery
-
Przetwarzanie języka naturalnego w akcji autorstwa Hobsona Lanea, Hannesa Maxa Hapke i Colea Howarda to przewodnik po tworzeniu maszyn, które potrafią czytać i interpretować ludzki język. Użyjecie w nim łatwo dostępnych pakietów Pythona, aby wychwycić znaczenie tekstu i odpowiednio zareagować. Ks...(99.33 zł najniższa cena z 30 dni)
90.30 zł
129.00 zł(-30%) -
Data science happens in code. The ability to write reproducible, robust, scaleable code is key to a data science project's success—and is absolutely essential for those working with production code. This practical book bridges the gap between data science and software engineering,and clearl...(193.38 zł najniższa cena z 30 dni)
193.28 zł
249.00 zł(-22%) -
Oddajemy w Państwa ręce kompendium wiedzy, które stanowi nieocenione źródło informacji dla wszystkich zainteresowanych zgłębianiem tajników uczenia maszynowego i głębokiego uczenia. Ta obszerna publikacja, licząca ponad 800 stron, jest prawdziwą skarbnicą wiedzy teoretycznej i praktycznej, staran...
-
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. ...(65.40 zł najniższa cena z 30 dni)
65.40 zł
109.00 zł(-40%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Tę książkę docenią w szczególności analitycy danych. Wyjaśniono w niej potencjał wnioskowania przyczynowego w zakresie szacowania wpływu i efektów w biznesie. Opisano klasyczne metody wnioskowania przyczynowego, w tym testy A/B, regresja liniowa, wskaźnik skłonności, metoda syntetycznej kontroli ...(59.92 zł najniższa cena z 30 dni)
59.92 zł
74.90 zł(-20%) -
"Sztuczna Inteligencja i Uczenie Maszynowe: Kompletny Przewodnik do Budowy Własnych Rozwiązań AI" to kompleksowa książka, która oferuje pełne wprowadzenie do świata sztucznej inteligencji (AI) i uczenia maszynowego (ML). Zawiera praktyczne informacje, które pozwolą czytelnikom na budowę i wdrażan...
-
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 ż...(59.92 zł najniższa cena z 30 dni)
59.92 zł
74.90 zł(-20%)
Ebooka "Building Machine Learning Pipelines" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Building Machine Learning Pipelines" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Building Machine Learning Pipelines" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-14-920-5314-9, 9781492053149
- Data wydania ebooka:
-
2020-07-13
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 8.8MB
- Rozmiar pliku Mobi:
- 20.2MB
Spis treści ebooka
- Foreword
- Preface
- What Are Machine Learning Pipelines?
- Who Is This Book For?
- Why TensorFlow and TensorFlow Extended?
- Overview of the Chapters
- Conventions Used in This Book
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
- 1. Introduction
- Why Machine Learning Pipelines?
- When to Think About Machine Learning Pipelines
- Overview of the Steps in a Machine Learning Pipeline
- Data Ingestion and Data Versioning
- Data Validation
- Data Preprocessing
- Model Training and Tuning
- Model Analysis
- Model Versioning
- Model Deployment
- Feedback Loops
- Data Privacy
- Pipeline Orchestration
- Why Pipeline Orchestration?
- Directed Acyclic Graphs
- Our Example Project
- Project Structure
- Our Machine Learning Model
- Goal of the Example Project
- Summary
- 2. Introduction to TensorFlow Extended
- What Is TFX?
- Installing TFX
- Overview of TFX Components
- What Is ML Metadata?
- Interactive Pipelines
- Alternatives to TFX
- Introduction to Apache Beam
- Setup
- Basic Data Pipeline
- Basic collection example
- Basic transformation example
- Putting it all together
- Executing Your Basic Pipeline
- Summary
- 3. Data Ingestion
- Concepts for Data Ingestion
- Ingesting Local Data Files
- Converting comma-separated data to tf.Example
- Importing existing TFRecord Files
- Converting Parquet-serialized data to tf.Example
- Converting Avro-serialized data to tf.Example
- Converting your custom data to TFRecord data structures
- Ingesting Local Data Files
- Ingesting Remote Data Files
- Ingesting Data Directly from Databases
- Google Cloud BigQuery
- Presto databases
- Concepts for Data Ingestion
- Data Preparation
- Splitting Datasets
- Splitting one dataset into subsets
- Preserving existing splits
- Splitting Datasets
- Spanning Datasets
- Versioning Datasets
- Ingestion Strategies
- Structured Data
- Text Data for Natural Language Problems
- Image Data for Computer Vision Problems
- Summary
- 4. Data Validation
- Why Data Validation?
- TFDV
- Installation
- Generating Statistics from Your Data
- Generating Schema from Your Data
- Recognizing Problems in Your Data
- Comparing Datasets
- Updating the Schema
- Data Skew and Drift
- Biased Datasets
- Slicing Data in TFDV
- Processing Large Datasets with GCP
- Integrating TFDV into Your Machine Learning Pipeline
- Summary
- 5. Data Preprocessing
- Why Data Preprocessing?
- Preprocessing the Data in the Context of the Entire Dataset
- Scaling the Preprocessing Steps
- Avoiding a Training-Serving Skew
- Deploying Preprocessing Steps and the ML Model as One Artifact
- Checking Your Preprocessing Results in Your Pipeline
- Why Data Preprocessing?
- Data Preprocessing with TFT
- Installation
- Preprocessing Strategies
- Best Practices
- TFT Functions
- Text data for natural language problems
- Image data for computer vision problems
- Standalone Execution of TFT
- Integrate TFT into Your Machine Learning Pipeline
- Summary
- 6. Model Training
- Defining the Model for Our Example Project
- The TFX Trainer Component
- run_fn() Function
- Load the data
- Compile and train the model
- Model export
- run_fn() Function
- Running the Trainer Component
- Other Trainer Component Considerations
- Using the Trainer component with an Estimator model
- Using the SavedModel outside a pipeline
- Using TensorBoard in an Interactive Pipeline
- Distribution Strategies
- Model Tuning
- Strategies for Hyperparameter Tuning
- Hyperparameter Tuning in TFX Pipelines
- Summary
- 7. Model Analysis and Validation
- How to Analyze Your Model
- Classification Metrics
- Regression Metrics
- How to Analyze Your Model
- TensorFlow Model Analysis
- Analyzing a Single Model in TFMA
- Analyzing Multiple Models in TFMA
- Model Analysis for Fairness
- Slicing Model Predictions in TFMA
- Checking Decision Thresholds with Fairness Indicators
- Going Deeper with the What-If Tool
- Model Explainability
- Generating Explanations with the WIT
- Other Explainability Techniques
- Analysis and Validation in TFX
- ResolverNode
- Evaluator Component
- Validation in the Evaluator Component
- TFX Pusher Component
- Summary
- 8. Model Deployment with TensorFlow Serving
- A Simple Model Server
- The Downside of Model Deployments with Python-Based APIs
- Lack of Code Separation
- Lack of Model Version Control
- Inefficient Model Inference
- TensorFlow Serving
- TensorFlow Architecture Overview
- Exporting Models for TensorFlow Serving
- Model Signatures
- Inspecting Exported Models
- Setting Up TensorFlow Serving
- Docker Installation
- Native Ubuntu Installation
- Building TensorFlow Serving from Source
- Configuring a TensorFlow Server
- REST Versus gRPC
- Making Predictions from the Model Server
- Getting Model Predictions via REST
- URL structure
- Payloads
- Getting Model Predictions via REST
- Using TensorFlow Serving via gRPC
- Getting predictions from classification and regression models
- Payloads
- Model A/B Testing with TensorFlow Serving
- Requesting Model Metadata from the Model Server
- REST Requests for Model Metadata
- gRPC Requests for Model Metadata
- Batching Inference Requests
- Configuring Batch Predictions
- Other TensorFlow Serving Optimizations
- TensorFlow Serving Alternatives
- BentoML
- Seldon
- GraphPipe
- Simple TensorFlow Serving
- MLflow
- Ray Serve
- Deploying with Cloud Providers
- Use Cases
- Example Deployment with GCP
- Model deployment
- Model inference
- Model Deployment with TFX Pipelines
- Summary
- 9. Advanced Model Deployments with TensorFlow Serving
- Decoupling Deployment Cycles
- Workflow Overview
- Accessing private models from AWS S3
- Accessing private models from GCP Buckets
- Workflow Overview
- Optimization of Remote Model Loading
- Decoupling Deployment Cycles
- Model Optimizations for Deployments
- Quantization
- Pruning
- Distillation
- Using TensorRT with TensorFlow Serving
- TFLite
- Steps to Optimize Your Model with TFLite
- Serving TFLite Models with TensorFlow Serving
- Monitoring Your TensorFlow Serving Instances
- Prometheus Setup
- TensorFlow Serving Configuration
- Simple Scaling with TensorFlow Serving and Kubernetes
- Summary
- 10. Advanced TensorFlow Extended
- Advanced Pipeline Concepts
- Training Multiple Models Simultaneously
- Exporting TFLite Models
- Warm Starting Model Training
- Advanced Pipeline Concepts
- Human in the Loop
- Slack Component Setup
- How to Use the Slack Component
- Custom TFX Components
- Use Cases of Custom Components
- Writing a Custom Component from Scratch
- Component specifications
- Component channels
- Component executors
- Component drivers
- Assembling the custom component
- Using our basic custom component
- Implementation review
- Reusing Existing Components
- Using our custom executor
- Summary
- 11. Pipelines Part 1: Apache Beam and Apache Airflow
- Which Orchestration Tool to Choose?
- Apache Beam
- Apache Airflow
- Kubeflow Pipelines
- Kubeflow Pipelines on AI Platform
- Which Orchestration Tool to Choose?
- Converting Your Interactive TFX Pipeline to a Production Pipeline
- Simple Interactive Pipeline Conversion for Beam and Airflow
- Introduction to Apache Beam
- Orchestrating TFX Pipelines with Apache Beam
- Introduction to Apache Airflow
- Installation and Initial Setup
- Basic Airflow Example
- Project-specific configurations
- Task definitions
- Task dependencies
- Putting it all together
- Orchestrating TFX Pipelines with Apache Airflow
- Pipeline Setup
- Pipeline Execution
- Summary
- 12. Pipelines Part 2: Kubeflow Pipelines
- Introduction to Kubeflow Pipelines
- Installation and Initial Setup
- Accessing Your Kubeflow Pipelines Installation
- Introduction to Kubeflow Pipelines
- Orchestrating TFX Pipelines with Kubeflow Pipelines
- Pipeline Setup
- Executing the Pipeline
- Useful Features of Kubeflow Pipelines
- Restart failed pipelines
- Recurring runs
- Collaborating and reviewing pipeline runs
- Auditing the pipeline lineage
- Pipelines Based on Google Cloud AI Platform
- Pipeline Setup
- TFX Pipeline Setup
- Use Cloud Storage buckets for data exchange
- Training models with an AI Platform job
- Serving models through AI Platform endpoints
- Scaling with Googles Dataflow
- Pipeline Execution
- Summary
- 13. Feedback Loops
- Explicit and Implicit Feedback
- The Data Flywheel
- Feedback Loops in the Real World
- Explicit and Implicit Feedback
- Design Patterns for Collecting Feedback
- Users Take Some Action as a Result of the Prediction
- Users Rate the Quality of the Prediction
- Users Correct the Prediction
- Crowdsourcing the Annotations
- Expert Annotations
- Producing Feedback Automatically
- How to Track Feedback Loops
- Tracking Explicit Feedback
- Tracking Implicit Feedback
- Summary
- 14. Data Privacy for Machine Learning
- Data Privacy Issues
- Why Do We Care About Data Privacy?
- The Simplest Way to Increase Privacy
- What Data Needs to Be Kept Private?
- Data Privacy Issues
- Differential Privacy
- Local and Global Differential Privacy
- Epsilon, Delta, and the Privacy Budget
- Differential Privacy for Machine Learning
- Introduction to TensorFlow Privacy
- Training with a Differentially Private Optimizer
- Calculating Epsilon
- Federated Learning
- Federated Learning in TensorFlow
- Encrypted Machine Learning
- Encrypted Model Training
- Converting a Trained Model to Serve Encrypted Predictions
- Other Methods for Data Privacy
- Summary
- 15. The Future of Pipelines and Next Steps
- Model Experiment Tracking
- Thoughts on Model Release Management
- Future Pipeline Capabilities
- TFX with Other Machine Learning Frameworks
- Testing Machine Learning Models
- CI/CD Systems for Machine Learning
- Machine Learning Engineering Community
- Summary
- A. Introduction to Infrastructure for Machine Learning
- What Is a Container?
- Introduction to Docker
- Introduction to Docker Images
- Building Your First Docker Image
- Diving into the Docker CLI
- Introduction to Kubernetes
- Some Kubernetes Definitions
- Getting Started with Minikube and kubectl
- Interacting with the Kubernetes CLI
- Defining a Kubernetes Resource
- Deploying Applications to Kubernetes
- B. Setting Up a Kubernetes Cluster on Google Cloud
- Before You Get Started
- Kubernetes on Google Cloud
- Selecting a Google Cloud Project
- Setting Up Your Google Cloud Project
- Creating a Kubernetes Cluster
- Accessing Your Kubernetes Cluster with kubectl
- Using Your Kubernetes Cluster with kubectl
- Persistent Volume Setups for Kubeflow Pipelines
- C. Tips for Operating Kubeflow Pipelines
- Custom TFX Images
- Exchange Data Through Persistent Volumes
- TFX Command-Line Interface
- TFX and Its Dependencies
- TFX Templates
- Publishing Your Pipeline with TFX CLI
- Index
O'Reilly Media - inne książki
-
Large language models (LLMs) and generative AI are rapidly changing the healthcare industry. These technologies have the potential to revolutionize healthcare by improving the efficiency, accuracy, and personalization of care. This practical book shows healthcare leaders, researchers, data scient...(160.65 zł najniższa cena z 30 dni)
160.15 zł
199.00 zł(-20%) -
With hundreds of tools preinstalled, the Kali Linux distribution makes it easier for security professionals to get started with security testing quickly. But with more than 600 tools in its arsenal, Kali Linux can also be overwhelming. The new edition of this practical book covers updates to the ...(174.18 zł najniższa cena z 30 dni)
173.97 zł
209.00 zł(-17%) -
Learn how to implement and manage a modern customer data platform (CDP) through the Salesforce Data Cloud platform. This practical book provides a comprehensive overview that shows architects, administrators, developers, data engineers, and marketers how to ingest, store, and manage real-time cus...(197.34 zł najniższa cena z 30 dni)
197.14 zł
249.00 zł(-21%) -
Real-time applications are becoming the norm today. But building a model that works properly requires real-time data from the source, in-flight stream processing, and low latency serving of its analytics. With this practical book, data engineers, data architects, and data analysts will learn how ...(223.08 zł najniższa cena z 30 dni)
222.88 zł
279.00 zł(-20%) -
Methods of delivering software are constantly evolving in order to increase speed to market without sacrificing reliability and stability. Mastering development end to end, from version control to production, and building production-ready code is now more important than ever. Continuous deploymen...(182.64 zł najniższa cena z 30 dni)
182.58 zł
239.00 zł(-24%) -
As the transformation to hybrid multicloud accelerates, businesses require a structured approach to securing their workloads. Adopting zero trust principles demands a systematic set of practices to deliver secure solutions. Regulated businesses, in particular, demand rigor in the architectural pr...(165.75 zł najniższa cena z 30 dni)
165.65 zł
209.00 zł(-21%) -
This concise yet comprehensive guide explains how to adopt a data lakehouse architecture to implement modern data platforms. It reviews the design considerations, challenges, and best practices for implementing a lakehouse and provides key insights into the ways that using a lakehouse can impact ...(193.19 zł najniższa cena z 30 dni)
192.69 zł
249.00 zł(-23%) -
In today's fast-paced world, more and more organizations require rapid application development with reduced development costs and increased productivity. This practical guide shows application developers how to use PowerApps, Microsoft's no-code/low-code application framework that helps developer...(162.27 zł najniższa cena z 30 dni)
162.17 zł
209.00 zł(-22%) -
Welcome to the systems age, where software professionals are no longer building software&emdash;we're building systems of software. Change is continuously deployed across software ecosystems coordinated by responsive infrastructure. In this world of increasing relational complexity, we need t...(152.01 zł najniższa cena z 30 dni)
151.81 zł
209.00 zł(-27%) -
This book provides an ideal guide for Python developers who want to learn how to build applications with large language models. Authors Olivier Caelen and Marie-Alice Blete cover the main features and benefits of GPT-4 and GPT-3.5 models and explain how they work. You'll also get a step-by-step g...(155.36 zł najniższa cena z 30 dni)
154.86 zł
209.00 zł(-26%)
Dzieki 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[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Building Machine Learning Pipelines Hannes Hapke, Catherine Nelson (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.