AI 開發的機器學習系統設計模式
澁井雄介 著 許郁文 譯
- 出版商: 碁峰歐萊禮曬書節｜任搭兩書77折
- 出版日期: 2022-07-22
- 定價: $620
- 售價: 7.9 折 $490
- 語言: 繁體中文
- 頁數: 448
- ISBN: 6263242035
- ISBN-13: 9786263242036
-
相關分類:
Machine Learning、Design Pattern
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
EDA 設計流程整合 ─ 如何建構一台功能完整的 EDA 伺服器$500$490 -
打造機器學習應用｜從構想邁向產品 (Building Machine Learning Powered Applications)$580$458 -
機器學習設計模式 (Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops)$680$537 -
超圖解伺服器的架構與運用：硬體架構ｘ軟體運用，輕鬆理解數位時代的必備知識$400$316 -
人工智慧再進化：聯邦學習讓資料更安全穩固$880$748 -
打下最紮實 AI 基礎不依賴套件：手刻機器學習神經網路穩健前進$1,200$792 -
$407分佈式應用系統架構設計與實踐 -
動手學 GitHub！現代人不能不知道的協同合作平台$600$474 -
$458特徵工程的藝術：通用技巧與實用案例 -
圖解機器學習與資料科學的數學基礎｜使用 Python$650$514 -
JS 絕對版本相容性 - Webpack + Babel 完美結合 開發實戰$620$527 -
機器學習聖經：最完整的統計學習方法$880$748 -
每個程式設計師都應該要知道的50個演算法$690$517 -
Python 操作 Excel - 最強入門邁向辦公室自動化之路 - 王者歸來$680$449 -
流程架構｜整合串流與事件驅動的未來 (Flow Architectures: The Future of Streaming and Event-Driven Integration)$580$458 -
ASP.NET Core 工程師不可不知的 10大安全性漏洞與防駭方法$690$538 -
從零開始學 Python 程式設計, 3/e (適用Python 3.10以上)$720$562 -
Python：股票 × ETF 量化交易回測 102個活用技巧$600$468 -
從機器學習到人工智慧｜寫給Android/iOS程式師的ML/AI開發指南 (AI and Machine Learning for On-Device Development: A Programmer's Guide)$620$490 -
現代決策樹模型及其編程實踐：從傳統決策樹到深度決策樹$774$735 -
遷移學習導論, 2/e$714$678 -
AI 可解釋性 (Python語言版)$359$341 -
數位孿生：虛實融合打造元宇宙的關鍵技術$450$351 -
建構機器學習系統實踐指南$620$490
相關主題
商品描述
幫助您更了解如何實務開發中應用機器學習技術
本書是機器學習系統設計模式的集合，範例使用的平台是Docker和Kubernetes，以確保程式碼的可重複執行。本書描述機器學習從訓練、評估和QA，到發布和運行推理器的順序，以及架構和代碼。藉由本書的指引，能夠幫助您更有效地使用機器學習的技術，將其應用在實際的系統開發中。
本書可以幫助您：
．了解如何MLOps這種機器學習付諸實用的開發維護方法
．了解建置機器學習系統的方法，包括專為機器學習設計的系統（機器學習管線或實驗管理）與專為使用機器學習設計的系統（發佈或推論器），以實現MLOps
．了解改善機器學習系統品質的方法，以及如何透過後續的維護改善模型
來自讀者的讚譽
＂蘊含了MLOps的精華＂
＂詳細介紹了如何開發在商業環境中應用機器學習的系統＂
＂資訊豐富，是開發大型系統極佳的參考資料＂
作者簡介
澁井雄介
MLOps工程師、基礎架構工程師、AR工程師、擁有兩隻貓咪的飼主。家裡有四張貓咪專用的吊床。本業是以Kubernetes開發自動化的MLOps架構，興趣則是將AR與Edge AI組在一起玩。過去曾在系統整合、軟體創投公司、新創企業主持專案並擔任大規模系統維護小組負責人。
GitHub：https://github.com/shibuiwilliam
目錄大綱
Part I｜機器學習與MLOps
CHAPTER 1 何謂機器學習系統？
1.1 機器學習、MLOps、系統
1.2 目標是打造方便使用者的機器學習
1.3 機器學習系統所需的東西
1.4 讓機器學習系統模式化
1.5 本書的編排方式
Part II｜建立機器學習系統
CHAPTER 2 建置模型
2.1 建置模型
2.2 反面模式｜Only me 模式
2.3 專案、模型與版本管理
2.4 管線學習模式
2.5 批次學習模式
2.6 反面模式｜複雜管線模式
CHAPTER 3 發佈模型
3.1 學習環境與推論環境
3.2 反面模式｜版本不一致模式
3.3 模型的發行與推論器的運作
3.4.1 用例
3.5 Model loader 模式
3.6 模型的發行與水平擴充
CHAPTER 4 建立推論系統
4.1 為什麼要建立系統
4.2 Web Single 模式
4.3 同步推論模式
4.4 非同步推論模式
4.5 批次推論模式
4.6 前置處理推論模式
4.7 微服務串聯模式
4.8 微服務並聯模式
4.9 時間差推論模式
4.10 推論快取模式
4.11 資料快取模式
4.12 推論器範本模式
4.13 Edge AI模式
4.14 反面模式｜Online Big Size 模式
4.15 反面模式｜All in One 模式
Part III｜品質、維護、管理
CHAPTER 5 維護機器學習系統
5.1 機器學習的應用
5.2 推論日誌模式
5.3 推論監控模式
5.4 反面模式｜無日誌資料模式
5.5 反面模式｜孤兒模式
CHAPTER 6 維持機器學習系統的品質
6.1 機器學習系統的品質與維護
6.2 機器學習系統的正常性評估指標
6.3 負載測試模式
6.4 推論斷路器模式
6.5 Shadow A／B測試模式
6.6 線上A／B測試模式
6.7 參數基礎推論模式
6.8 條件分歧推論模式
6.9 反面模式｜純離線模式
CHAPTER 7 End-to-End 的 MLOps 系統設計
7.1 課題與手法
7.2 需求預測系統的範例
7.3 內容上傳服務的範例
7.4 總結
