| Título : |
Beginning MLOps with MLFlow : Deploy Models in AWS SageMaker, Google Cloud, and Microsoft Azure |
| Tipo de documento: |
documento electrónico |
| Autores: |
Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Berkeley, CA : Apress |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XIV, 330 p. 267 ilustraciones |
| ISBN/ISSN/DL: |
978-1-4842-6549-9 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Aprendizaje automático Lenguajes de programación (computadoras electrónicas) Lenguaje de programación |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Integre los principios de MLOps en proyectos existentes o futuros utilizando MLFlow, ponga en funcionamiento sus modelos e impleméntelos en AWS SageMaker, Google Cloud y Microsoft Azure. Este libro lo guía a través del proceso de análisis de datos, construcción de modelos y capacitación. Los autores comienzan presentándole el análisis de datos básicos en un conjunto de datos de tarjetas de crédito y le enseñan cómo analizar las características y sus relaciones con la variable objetivo. Aprenderá cómo construir modelos de regresión logística en scikit-learn y PySpark, y pasará por el proceso de ajuste de hiperparámetros con un conjunto de datos de validación. Explorará tres configuraciones de implementación diferentes de modelos de aprendizaje automático con distintos niveles de automatización para ayudarlo a comprender mejor MLOps. Se cubre MLFlow y explorará cómo integrar MLOps en su código existente, lo que le permitirá realizar un seguimiento fácil de métricas, parámetros, gráficos y modelos. Se le guiará a través del proceso de implementación y consulta de sus modelos con AWS SageMaker, Google Cloud y Microsoft Azure. Y aprenderá cómo integrar sus configuraciones de MLOps utilizando Databricks. Usted podrá: Realizar análisis de datos básicos y construir modelos en scikit-learn y PySpark Entrenar, probar y validar sus modelos (ajuste de hiperparámetros) Saber qué es MLOps y cómo es una configuración ideal de MLOps Integrar fácilmente MLFlow en sus proyectos existentes o futuros Implementar tus modelos y realiza predicciones con ellos en la nube. |
| Nota de contenido: |
Chapter 1: Getting Started: Data Analysis -- Chapter 2: Building Models -- Chapter 3: What Is MLOps? -- Chapter 4: Introduction to MLFlow -- Chapter 5: Deploying in AWS -- Chapter 6: Deploying in Azure -- Chapter 7: Deploying in Google -- Appendix A: a2ml. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Beginning MLOps with MLFlow : Deploy Models in AWS SageMaker, Google Cloud, and Microsoft Azure [documento electrónico] / Alla, Sridhar, Autor ; Adari, Suman Kalyan, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XIV, 330 p. 267 ilustraciones. ISBN : 978-1-4842-6549-9 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Lenguajes de programación (computadoras electrónicas) Lenguaje de programación |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Integre los principios de MLOps en proyectos existentes o futuros utilizando MLFlow, ponga en funcionamiento sus modelos e impleméntelos en AWS SageMaker, Google Cloud y Microsoft Azure. Este libro lo guía a través del proceso de análisis de datos, construcción de modelos y capacitación. Los autores comienzan presentándole el análisis de datos básicos en un conjunto de datos de tarjetas de crédito y le enseñan cómo analizar las características y sus relaciones con la variable objetivo. Aprenderá cómo construir modelos de regresión logística en scikit-learn y PySpark, y pasará por el proceso de ajuste de hiperparámetros con un conjunto de datos de validación. Explorará tres configuraciones de implementación diferentes de modelos de aprendizaje automático con distintos niveles de automatización para ayudarlo a comprender mejor MLOps. Se cubre MLFlow y explorará cómo integrar MLOps en su código existente, lo que le permitirá realizar un seguimiento fácil de métricas, parámetros, gráficos y modelos. Se le guiará a través del proceso de implementación y consulta de sus modelos con AWS SageMaker, Google Cloud y Microsoft Azure. Y aprenderá cómo integrar sus configuraciones de MLOps utilizando Databricks. Usted podrá: Realizar análisis de datos básicos y construir modelos en scikit-learn y PySpark Entrenar, probar y validar sus modelos (ajuste de hiperparámetros) Saber qué es MLOps y cómo es una configuración ideal de MLOps Integrar fácilmente MLFlow en sus proyectos existentes o futuros Implementar tus modelos y realiza predicciones con ellos en la nube. |
| Nota de contenido: |
Chapter 1: Getting Started: Data Analysis -- Chapter 2: Building Models -- Chapter 3: What Is MLOps? -- Chapter 4: Introduction to MLFlow -- Chapter 5: Deploying in AWS -- Chapter 6: Deploying in Azure -- Chapter 7: Deploying in Google -- Appendix A: a2ml. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Beginning MLOps with MLFlow
