MLOps權威指南 Practical Mlops: Operationalizing Machine Learning Models

本書前幾章涵蓋了DevOps和MLOps的理論和實踐，
然後介紹瞭如何設置持續集成和持續交付，接著介紹Kaizen，即對所有事物進行持續改進的想法。
與雲計算相關的MLOps分為三章，涵蓋AWS、Azure 和GCP(谷歌云平台)。
之後介紹了機器學習互操作性、構建MLOps命令行工具和微服務。
這些主題包括許多具有積極吸引力的尖端新興技術。
結尾介紹了一些真實案例研究，以及執行MLOps時面臨的挑戰。

第1章MLOps簡介
1.1 機器學習工程師和MLOps的興起
1.2 什麼是MLOps
1.3 DevOps和MLOps
1.4 MLOps需求層次
1.5 小結
練習題
獨立思考和討論
第2章MLOps基礎
2.1 Bash和Linux命令行
2.2 雲端shell開發環境
2.3 Bash shell和常用命令
2.4 雲計算基礎和構建模塊
2.5 雲計算入門
2.6 Python速成課程
2.7 Python極簡教程
2.8 程序員的數學速成課程
2.9 機器學習關鍵概念
2.10 開展數據科學工作
2.11 從零開始構建一個MLOps管道
2.12 小結
練習題
獨立思考和討論
第3章容器和邊緣設備的MLOps
3.1 容器
3.2 邊緣設備
3.3 託管機器學習系統的容器
3.4 小結
練習題
獨立思考和討論
第4章機器學習模型的持續交付
4.1 機器學習模型打包
4.2 機器學習模型持續交付中的基礎設施即代碼
4.3 使用雲管道
4.4 小結
練習題
獨立思考和討論
第5章AutoML和KaizenML
5.1 AutoML
5.2 蘋果生態系統
5.3 谷歌的AutoML和邊緣計算機視覺
5.4 Azure的AutoML
5.5 AWS的AutoML
5.6 開源AutoML解決方案
5.7 模型可解釋性
5.8 小結
練習題
獨立思考和討論
第6章監控和日誌
6.1 雲MLOps的可觀測性
6.2 日誌記錄簡介
6.3 Python中的日誌記錄
6.4 監控及可觀測性
6.5 小結
練習題
獨立思考和討論
第7章AWS的MLOps
7.1 AWS簡介
7.2 AWS上的MLOps Cookbook
7.3 AWS Lambda方法
7.4 將AWS機器學習應用於現實世界
7.5 小結
練習題
獨立思考和討論
第8章Azure的MLOps
8.1 Azure CLI和Python SDK
8.2 身份認證
8.3 計算實例
8.4 部署
8.5 將模型部署到計算集群
8.6 部署問題排查
8.7 Azure機器學習管道
8.8 機器學習生命週期
8.9 小結
練習題
獨立思考和討論
第9章谷歌云平台的MLOps
9.1 谷歌云平台概覽
9.2 谷歌云平台上的DataOps：應用數據工程
9.3 機器學習模型運維
9.4 小結
練習題
獨立思考和討論
第10章機器學習互操作性
10.1 為什麼互操作性至關重要
10.2 ONNX：開放式神經網絡交換
10.3 蘋果的Core ML
10.4 邊緣集成
10.5 小結
練習題
獨立思考和討論
第11章構建MLOps命令行工具和微服務
11.1 Python打包
11.2 依賴文件
11.3 命令行工具
11.4 微服務
11.5 機器學習CLI工作流
11.6 小結
練習題
獨立思考和討論
第12章機器學習工程和MLOps案例研究
12.1 在構建機器學習模型時無知帶來的難以置信的收益
12.2 Sqor運動社交網絡中的MLOps工程
12.3 完美技術與現實世界
12.4 MLOps中的關鍵挑戰
12.5 實施MLOps的最終建議
12.6 小結
練習題
獨立思考和討論
附錄
附錄A 關鍵術語
附錄B 技術認證
附錄C 遠程工作
附錄D 像VC一樣思考你的職業生涯
附錄E 構建MLOps技術組合
附錄F 數據科學案例研究：間歇性禁食
附錄G 附加的教育資源
附錄H 技術項目管理