在生产中使用端到端示例构建和部署机器学习和深度学习模型。

本书以机器学习模型部署过程及其相关挑战为重点。接下来,它涵盖了使用不同的web框架(如Flask和Streamlit)构建和部署机器学习模型的过程。关于Docker的那一章将介绍如何打包和包含机器学习模型。本书还说明了如何使用Kubernetes建立和训练大规模的机器学习和深度学习模型。

对于那些希望通过采用预构建模型并将其部署到生产环境中来提高机器学习水平的人来说,这本书是一个很好的起点。它还为那些想要超越Jupyter ,在云环境下进行大规模训练的人提供了指导。书中提供的所有代码都以Python脚本的形式提供给您,您可以尝试这些示例并以有趣的方式扩展它们。

你将学会 :

使用Kubernetes大规模构建、训练和部署机器学习模型

将任何类型的机器学习模型容器化,并使用Docker在任何平台上运行

使用Flask和Streamlit框架部署机器学习和深度学习模型

成为VIP会员查看完整内容
0
30

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

使用Scikit-Multiflow框架设计、开发和验证带有流数据的机器学习模型。这本书是一个快速入门指南,为数据科学家和机器学习工程师寻求实现机器学习模型流数据与Python产生实时见解。

本书首先介绍流数据、与它相关的各种挑战、它的一些实际业务应用程序和各种窗口技术。然后,您将研究增量学习算法和在线学习算法,以及使用流数据进行模型评估的概念,并将介绍Python中的Scikit-Multiflow框架。接下来回顾了各种变化检测/概念漂移检测算法,以及使用Scikit-Multiflow实现各种数据集。

本书还介绍了流数据的各种有监督和无监督算法,以及它们使用Python在各种数据集上的实现。本书最后简要介绍了其他可用于流媒体数据的开源工具,如Spark、MOA(大规模在线分析)、Kafka等。

你会学习到: 理解流数据的机器学习概念 回顾增量学习和在线学习 开发检测概念漂移的模型 探索流数据上下文中的分类、回归和集成学习技术 应用最佳实践来调试和验证流数据上下文中的机器学习模型 介绍其他处理流数据的开源框架。

成为VIP会员查看完整内容
0
28

如今,企业创建的机器学习(ML)模型中,有一半以上都没有投入生产。主要是面临技术上的操作挑战和障碍,还有组织上的。不管怎样,最基本的是,不在生产中的模型不能提供业务影响。

这本书介绍了MLOps的关键概念,帮助数据科学家和应用工程师不仅可以操作ML模型来驱动真正的业务变化,而且还可以随着时间的推移维护和改进这些模型。通过基于世界各地众多MLOps应用的经验教训,九位机器学习专家对模型生命周期的五个步骤——构建、预生产、部署、监控和治理——提供了深刻见解,揭示了如何将稳健的MLOps过程贯穿始终。

https://www.oreilly.com/library/view/introducing-mlops/9781492083283/

这本书帮助你:

通过减少整个ML管道和工作流程的冲突,实现数据科学价值 通过再训练、定期调整和完全重构来改进ML模型,以确保长期的准确性 设计MLOps的生命周期,使组织风险最小化,模型是公正的、公平的和可解释的 为管道部署和更复杂、不那么标准化的外部业务系统操作ML模型

成为VIP会员查看完整内容
0
60

这本书是为任何想学习如何开发机器学习系统的人准备的。我们将从理论和实践两方面涵盖关于机器学习算法的最重要概念,并将使用Python编程语言中的Scikit-learn库实现许多机器学习算法。在第一章中,您将学习机器学习最重要的概念,在下一章中,您将主要学习分类。在最后一章中,你将学习如何训练你的模型。我假定你已经了解了编程的基础知识。

成为VIP会员查看完整内容
0
80

优化和机器学习的相互作用是现代计算科学最重要的发展之一。优化的公式和方法在设计从大量数据中提取基本知识的算法方面被证明是至关重要的。然而,机器学习并不仅仅是优化技术的消费者,而是一个快速发展的领域,它本身也在产生新的优化思想。这本书以一种对两个领域的研究人员都可访问的方式捕获了优化和机器学习之间交互的艺术的状态。

优化方法因其广泛的适用性和吸引人的理论特性而在机器学习中占有重要地位。当今机器学习模型的复杂性、规模和多样性日益增加,需要对现有假设进行重新评估。这本书开始了重新评估的过程。它描述了在诸如一阶方法,随机近似,凸松弛,内点方法,和近端方法等已建立的框架。它还专门关注一些新的主题,如正则化优化、鲁棒优化、梯度和次梯度方法、分裂技术和二阶方法。其中许多技术的灵感来自其他领域,包括运筹学、理论计算机科学和优化子领域。这本书将丰富机器学习社区和这些其他领域以及更广泛的优化社区之间正在进行的交叉发展。

成为VIP会员查看完整内容
0
54

学习使用Python分析数据和预测结果的更简单和更有效的方法

Python机器学习教程展示了通过关注两个核心机器学习算法家族来成功分析数据,本书能够提供工作机制的完整描述,以及使用特定的、可破解的代码来说明机制的示例。算法用简单的术语解释,没有复杂的数学,并使用Python应用,指导算法选择,数据准备,并在实践中使用训练过的模型。您将学习一套核心的Python编程技术,各种构建预测模型的方法,以及如何测量每个模型的性能,以确保使用正确的模型。关于线性回归和集成方法的章节深入研究了每种算法,你可以使用书中的示例代码来开发你自己的数据分析解决方案。

机器学习算法是数据分析和可视化的核心。在过去,这些方法需要深厚的数学和统计学背景,通常需要结合专门的R编程语言。这本书演示了机器学习可以如何实现使用更广泛的使用和可访问的Python编程语言。

使用线性和集成算法族预测结果

建立可以解决一系列简单和复杂问题的预测模型

使用Python应用核心机器学习算法

直接使用示例代码构建自定义解决方案

机器学习不需要复杂和高度专业化。Python使用了更简单、有效和经过良好测试的方法,使这项技术更容易为更广泛的受众所接受。Python中的机器学习将向您展示如何做到这一点,而不需要广泛的数学或统计背景。

成为VIP会员查看完整内容
0
93

学习设计、构建和部署由机器学习(ML)支持的应用程序所必需的技能。通过这本亲力亲为的书,您将构建一个示例ML驱动的应用程序,从最初的想法到部署的产品。数据科学家、软件工程师和产品经理—包括有经验的实践者和新手—将逐步学习构建真实的ML应用程序所涉及的工具、最佳实践和挑战。

作者Emmanuel Ameisen是一位经验丰富的数据科学家,他领导了一个人工智能教育项目,通过代码片段、插图、截图和对行业领袖的采访展示了实用的ML概念。第1部分将告诉您如何计划ML应用程序并度量成功。第2部分解释了如何构建一个工作的ML模型。第三部分演示了改进模型的方法,直到它满足您最初的设想。第4部分介绍部署和监控策略。

这本书会对你有所帮助:

  • 定义你的产品目标,设置一个机器学习问题
  • 快速构建第一个端到端管道并获取初始数据集
  • 训练和评估您的ML模型并解决性能瓶颈
  • 在生产环境中部署和监控您的模型

成为VIP会员查看完整内容
0
37

深入机器学习模型的超参数调整,关注什么是超参数以及它们是如何工作的。这本书讨论了不同的超参数调优技术,从基础到高级方法。

这是一个关于超参数优化的分步指南,从什么是超参数以及它们如何影响机器学习模型的不同方面开始。然后介绍一些基本的超参数优化算法。此外,作者利用分布式优化方法解决了时间和内存约束的问题。接下来您将讨论超参数搜索的贝叶斯优化,它从以前的历史中吸取了教训。

这本书讨论了不同的框架,如Hyperopt和Optuna,它实现了基于顺序模型的全局优化(SMBO)算法。在这些讨论中,您将关注不同的方面,比如搜索空间的创建和这些库的分布式优化。

机器学习中的超参数优化有助于理解这些算法是如何工作的,以及如何在现实数据科学问题中使用它们。最后一章总结了超参数优化在自动机器学习中的作用,并以一个创建自己的自动脚本的教程结束。

超参数优化是一项冗长乏味的任务,所以请坐下来,让这些算法来完成您的工作。你将学到什么

  • 了解超参数中的更改如何影响模型的性能。
  • 对数据科学问题应用不同的超参数调优算法
  • 使用贝叶斯优化方法来创建高效的机器学习和深度学习模型
  • 使用计算机集群分发超参数优化
  • 利用超参数优化方法实现机器自动学习

这本书是给谁的

  • 从事机器学习的专业人员和学生。

在构建机器学习模型时选择正确的超参数是数据科学从业者面临的最大问题之一。这本书是超参数优化(HPO)的指南。它从超参数的最基本定义开始,并带您使用高级HPO技术构建您自己的AutoML脚本。这本书是打算为学生和数据科学专业人员。这本书由五章组成。

  • 第1章帮助您理解超参数是如何影响模型构建的整个过程的。它告诉我们HPO的重要性。
  • 第2章介绍了基本且易于实现的HPO方法。
  • 第3章介绍了解决时间和内存限制的各种技术。
  • 第4章和第5章讨论了贝叶斯优化、相关库和AutoML。

这本书的目的是让读者以一种直观和实用的方式来理解HPO的概念,每个部分都提供了代码实现。我希望你能喜欢。

成为VIP会员查看完整内容
1
80

利用Kubernetes快速采用新兴技术。Kubernetes是企业平台开发的未来,它已经成为当今最流行的、通常被认为是最健壮的容器编配系统。这本书集中在平台技术的力量的物联网,区块链,机器学习,和许多层的数据和应用管理支持他们。

成为VIP会员查看完整内容
0
43

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
103

简介: Google一直是引入突破性技术和产品的先驱。在效率和规模方面,TensorFlow也不例外,因此,编写本书只是向读者介绍TensorFlow核心团队所做的这些重要更改。本书着重于机器学习方面的TensorFlow的不同应用,并更深入地探讨了方法的最新变化。对于那些想要用TensorFlow进行机器学习的人来说,这本书是一个很好的参考点。本书分为三个部分。第一篇:使用TensorFlow 2.0进行数据处理。第二部分:使用TensorFlow 2.0构建机器学习和深度学习模型。它还包括使用TensorFlow 2.0的神经语言编程(NLP)。第三部分介绍了如何在环境中保存和部署TensorFlow 2.0模型。这本书对数据分析人员和数据工程师也很有用,因为它涵盖了使用TensorFlow 2.0处理大数据的步骤。想要过渡到数据科学和机器学习领域的读者也会发现,本书提供了实用的入门指南,以后可能会出现更复杂的方面。书中提供的案例研究和示例使您很容易理解和理解相关的基本概念。本书的优势在于其简单性以及将机器学习应用于有意义的数据集。

目录:

  • Chapter 1:tenforflow 2.0介绍
    • tensor
    • TensorFlow 1.0与 Tensorflow 2.0的对比
    • Tensorflow 2.0安装于基础操作
  • Chapter 2:tenforflow 与监督学习
    • 监督机器学习是什么
    • TF2.0实现线性回归
    • 使用TF和Keras的线性回归应用
    • TF2.0实现逻辑回归
    • TF2.0实现boosted树
  • Chapter 3:tenforflow与深度神经网络
    • 什么是神经网络
    • 前向传播与反向传播
    • TF2.0构建神经网络
    • 深度神经网络
    • TF2.0构建深度神经网络
    • 使用Keras模型估量
    • 总结
  • Chapter 4:图片与Tensorflow
    • 图片处理
    • 卷积神经网络
    • TF2.0与卷积神经网络
    • 迁移学习
    • TF2.0与变分自编码器
    • 总结
  • Chapter 5:TF2.0与自然语言处理(NLP)
    • NLP概述
    • 文本处理
    • 文本分类与TF
    • TF projector
  • Chapter 6:TF模型
    • TF部署
    • 模型部署的Python
    • 基于TF的Keras模型
成为VIP会员查看完整内容
0
153
小贴士
相关论文
Miklós Z. Horváth,Mark Niklas Müller,Marc Fischer,Martin Vechev
0+阅读 · 6月13日
Brian Brubach,Nathaniel Grammel,Will Ma,Aravind Srinivasan
0+阅读 · 6月13日
Qingfeng Liu,Yang Feng
0+阅读 · 6月11日
Tomasz Kociumaka,Ely Porat,Tatiana Starikovskaya
0+阅读 · 6月10日
Linfeng Liu,Michael C. Hughes,Soha Hassoun,Li-Ping Liu
5+阅读 · 6月4日
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Manifold Approximation by Moving Least-Squares Projection (MMLS)
Barak Sober,David Levin
3+阅读 · 2019年3月7日
Kaiming He,Ross Girshick,Piotr Dollár
8+阅读 · 2018年11月21日
Minghao Hu,Furu Wei,Yuxing Peng,Zhen Huang,Nan Yang,Dongsheng Li
3+阅读 · 2018年11月15日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Top