hiskio

    AI開發的機器學習系統設計模式

    幫助您更了解如何實務開發中應用機器學習技術

    收集中
    US$19.65

    內容簡介


    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＂

    作者介紹


    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


    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

    章节目录

    • 1-1
      封面頁
    • 1-2
      書名頁
    • 1-3
      前言
    • 1-4
      本書的目標讀者與必要的背景知識
    • 1-5
      本書的編排方式
    • 1-6
      本書範例檔的執行環境
    • 1-7
      書上的範例檔與 GitHub 範例檔的差異之處
    • 1-8
      本書的範例檔
    • 1-9
      目錄
    • 1-10
      Part 1機器學習與MLOps
    • 1-11
      Ch01 何謂機器學習系統？
    • 1-12
      1.1 機器學習、MLOps、系統
    • 1-13
      1.1.1 前言
    • 1-14
      1.1.2 本書的目的
    • 1-15
      1.2 目標是打造方便使用者的機器學習
    • 1-16
      1.2.1 電子商店範例
    • 1-17
      1.2.2 圖片上傳應用程式的範例
    • 1-18
      1.3 機器學習系統所需的東西
    • 1-19
      1.4 讓機器學習系統模式化
    • 1-20
      1.4.1 學習
    • 1-21
      1.4.2 發佈方法
    • 1-22
      1.4.3 推論流程
    • 1-23
      1.4.4 品質管理
    • 1-24
      1.5 本書的編排方式
    • 1-25
      1.5.1 設計模式
    • 1-26
      1.5.2 反面模式
    • 1-27
      Part 2建立機器學習系統
    • 1-28
      Ch02 建置模型
    • 1-29
      2.1 建置模型
    • 1-30
      2.1.1 建置模型的流程
    • 1-31
      2.1.2 分析資料與取得資料
    • 1-32
      2.1.3 選擇模型與整理參數
    • 1-33
      2.1.4 前置處理
    • 1-34
      2.1.5 學習
    • 1-35
      2.1.6 評估
    • 1-36
      2.1.7 建置
    • 1-37
      2.1.8 系統評估
    • 1-38
      2.1.9 模型開發不是單行道
    • 1-39
      2.2 反面模式─ Only me 模式 ─
    • 1-40
      2.2.1 狀況
    • 1-41
      2.2.2 具體問題
    • 1-42
      2.2.3 優點
    • 1-43
      2.2.4 課題
    • 1-44
      2.2.5 規避方法
    • 1-45
      2.3 專案、模型與版本管理
    • 1-46
      2.3.1 專案、模型與版本管理
    • 1-47
      2.3.2 實際建置
    • 1-48
      2.4 管線學習模式
    • 1-49
      2.4.1 使用時機
    • 1-50
      2.4.2 想解決的課題
    • 1-51
      2.4.3 架構
    • 1-52
      2.4.4 實際建置
    • 1-53
      2.4.5 優點
    • 1-54
      2.4.6 檢討事項
    • 1-55
      2.5 批次學習模式
    • 1-56
      2.5.1 用例
    • 1-57
      2.5.2 想解決的課題
    • 1-58
      2.5.3 架構
    • 1-59
      2.5.4 實際建置
    • 1-60
      2.5.5 優點
    • 1-61
      2.5.6 檢討事項
    • 1-62
      2.6 反面模式─ 複雜管線模式 ─
    • 1-63
      2.6.1 狀況
    • 1-64
      2.6.2 具體問題
    • 1-65
      2.6.3 優點
    • 1-66
      2.6.4 課題
    • 1-67
      2.6.5 規避方法
    • 1-68
      Ch03 發佈模型
    • 1-69
      3.1 學習環境與推論環境
    • 1-70
      3.1.1 前言
    • 1-71
      3.1.2 學習環境與推論環境
    • 1-72
      3.2 反面模式─ 版本不一致模式 ─
    • 1-73
      3.2.1 狀況
    • 1-74
      3.2.2 具體問題
    • 1-75
      3.2.3 優點
    • 1-76
      3.2.4 課題
    • 1-77
      3.2.5 規避方法
    • 1-78
      3.3 模型的發行與推論器的運作
    • 1-79
      3.3.1 發佈模型的過程
    • 1-80
      3.3.2 選擇學習環境與推論環境的函式庫與版本
    • 1-81
      3.3.3 將推論器移植到模型
    • 1-82
      3.4 Model in Image 模式
    • 1-83
      3.4.1 用例
    • 1-84
      3.4.2 想解決的課題
    • 1-85
      3.4.3 架構
    • 1-86
      3.4.4 實際建置
    • 1-87
      3.4.5 優點
    • 1-88
      3.4.6 檢討事項
    • 1-89
      3.5 Model Loader 模式
    • 1-90
      3.5.1 用例
    • 1-91
      3.5.2 想解決的課題
    • 1-92
      3.5.3 架構
    • 1-93
      3.5.4 實際建置
    • 1-94
      3.5.5 優點
    • 1-95
      3.5.6 檢討事項
    • 1-96
      3.6 模型的發行與水平擴充
    • 1-97
      Ch04 建立推論系統
    • 1-98
      4.1 為什麼要建立系統
    • 1-99
      4.1.1 前言
    • 1-100
      4.1.2 讓機器學習付諸實用
    • 1-101
      4.2 Web Single 模式
    • 1-102
      4.2.1 用例
    • 1-103
      4.2.2 想解決的課題
    • 1-104
      4.2.3 架構
    • 1-105
      4.2.4 實際建置
    • 1-106
      4.2.5 優點
    • 1-107
      4.2.6 檢討事項
    • 1-108
      4.3 同步推論模式
    • 1-109
      4.3.1 用例
    • 1-110
      4.3.2 想解決的課題
    • 1-111
      4.3.3 架構
    • 1-112
      4.3.4 實際建置
    • 1-113
      4.3.5 優點
    • 1-114
      4.3.6 檢討事項
    • 1-115
      4.4 非同步推論模式
    • 1-116
      4.4.1 用例
    • 1-117
      4.4.2 想解決的課題
    • 1-118
      4.4.3 架構
    • 1-119
      4.4.4 實際建置
    • 1-120
      4.4.5 優點
    • 1-121
      4.4.6 檢討事項
    • 1-122
      4.5 批次推論模式
    • 1-123
      4.5.1 用例
    • 1-124
      4.5.2 想解決的課題
    • 1-125
      4.5.3 架構
    • 1-126
      4.5.4 實際建置
    • 1-127
      4.5.5 優點
    • 1-128
      4.5.6 檢討事項
    • 1-129
      4.6 前置處理推論模式
    • 1-130
      4.6.1 用例
    • 1-131
      4.6.2 想解決的課題
    • 1-132
      4.6.3 架構
    • 1-133
      4.6.4 實際建置
    • 1-134
      4.6.5 優點
    • 1-135
      4.6.6 檢討事項
    • 1-136
      4.7 微服務串聯模式
    • 1-137
      4.7.1 用例
    • 1-138
      4.7.2 想解決的課題
    • 1-139
      4.7.3 架構
    • 1-140
      4.7.4 實際建置
    • 1-141
      4.7.5 優點
    • 1-142
      4.7.6 檢討事項
    • 1-143
      4.8 微服務並聯模式
    • 1-144
      4.8.1 用例
    • 1-145
      4.8.2 想解決的課題
    • 1-146
      4.8.3 架構
    • 1-147
      4.8.4 實際建置
    • 1-148
      4.8.5 優點
    • 1-149
      4.8.6 檢討事項
    • 1-150
      4.9 時間差推論模式
    • 1-151
      4.9.1 用例
    • 1-152
      4.9.2 想解決的課題
    • 1-153
      4.9.3 架構
    • 1-154
      4.9.4 實際建置
    • 1-155
      4.9.5 優點
    • 1-156
      4.9.6 檢討事項
    • 1-157
      4.10 推論快取模式
    • 1-158
      4.10.1 用例
    • 1-159
      4.10.2 想解決的課題
    • 1-160
      4.10.3 架構
    • 1-161
      4.10.4 實際建置
    • 1-162
      4.10.5 優點
    • 1-163
      4.10.6 檢討事項
    • 1-164
      4.11 資料快取模式
    • 1-165
      4.11.1 用例
    • 1-166
      4.11.2 想解決的課題
    • 1-167
      4.11.3 架構
    • 1-168
      4.11.4 實際建置
    • 1-169
      4.11.5 優點
    • 1-170
      4.11.6 檢討事項
    • 1-171
      4.12 推論器範本模式
    • 1-172
      4.12.1 用例
    • 1-173
      4.12.2 想解決的課題
    • 1-174
      4.12.3 架構
    • 1-175
      4.12.4 實際建置
    • 1-176
      4.12.5 優點
    • 1-177
      4.12.6 檢討事項
    • 1-178
      4.13 Edge AI 模式
    • 1-179
      4.13.1 用例
    • 1-180
      4.13.2 想解決的課題
    • 1-181
      4.13.3 架構
    • 1-182
      4.13.4 實際建置
    • 1-183
      4.13.5 優點
    • 1-184
      4.13.6 檢討事項
    • 1-185
      4.14 反面模式─ Online Big Size 模式 ─
    • 1-186
      4.14.1 狀況
    • 1-187
      4.14.2 具體問題
    • 1-188
      4.14.3 優點
    • 1-189
      4.14.4 課題
    • 1-190
      4.14.5 規避方法
    • 1-191
      4.15 反面模式─ All in One 模式 ─
    • 1-192
      4.15.1 狀況
    • 1-193
      4.15.2 具體問題
    • 1-194
      4.15.3 優點
    • 1-195
      4.15.4 課題
    • 1-196
      4.15.5 規避方法
    • 1-197
      Part 3品質•維護•管理
    • 1-198
      Ch05 維護機器學習系統
    • 1-199
      5.1 機器學習的應用
    • 1-200
      5.2 推論日誌模式
    • 1-201
      5.2.1 用例
    • 1-202
      5.2.2 想解決的課題
    • 1-203
      5.2.3 架構
    • 1-204
      5.2.4 實際建置
    • 1-205
      5.2.5 優點
    • 1-206
      5.2.6 檢討事項
    • 1-207
      5.3 推論監控模式
    • 1-208
      5.3.1 用例
    • 1-209
      5.3.2 想解決的課題
    • 1-210
      5.3.3 架構
    • 1-211
      5.3.4 實際建置
    • 1-212
      5.3.5 優點
    • 1-213
      5.3.6 檢討事項
    • 1-214
      5.4 反面模式─ 無日誌資料模式 ─
    • 1-215
      5.4.1 狀況
    • 1-216
      5.4.2 具體問題
    • 1-217
      5.4.3 優點
    • 1-218
      5.4.4 課題
    • 1-219
      5.4.5 規避方法
    • 1-220
      5.5 反面模式─ 孤兒模式 ─
    • 1-221
      5.5.1 狀況
    • 1-222
      5.5.2 具體問題
    • 1-223
      5.5.3 優點
    • 1-224
      5.5.4 課題
    • 1-225
      5.5.5 規避方法
    • 1-226
      Ch06 維持機器學習系統的品質
    • 1-227
      6.1 機器學習系統的品質與維護
    • 1-228
      6.2 機器學習系統的正常性評估指標
    • 1-229
      6.2.1 機器學習的正常性
    • 1-230
      6.2.2 軟體的正常性
    • 1-231
      6.3 負載測試模式
    • 1-232
      6.3.1 用例
    • 1-233
      6.3.2 想解決的課題
    • 1-234
      6.3.3 架構
    • 1-235
      6.3.4 實際建置
    • 1-236
      6.3.5 優點
    • 1-237
      6.3.6 檢討事項
    • 1-238
      6.4 推論斷路器模式
    • 1-239
      6.4.1 用例
    • 1-240
      6.4.2 想解決的課題
    • 1-241
      6.4.3 架構
    • 1-242
      6.4.4 實際建置
    • 1-243
      6.4.5 優點
    • 1-244
      6.4.6 檢討事項
    • 1-245
      6.5 Shadow A/B 測試模式
    • 1-246
      6.5.1 用例
    • 1-247
      6.5.2 想解決的課題
    • 1-248
      6.5.3 架構
    • 1-249
      6.5.4 實際建置
    • 1-250
      6.5.5 優點
    • 1-251
      6.5.6 檢討事項
    • 1-252
      6.6 線上A/B 測試模式
    • 1-253
      6.6.1 用例
    • 1-254
      6.6.2 想解決的課題
    • 1-255
      6.6.3 架構
    • 1-256
      6.6.4 實際建置
    • 1-257
      6.6.5 優點
    • 1-258
      6.6.6 檢討事項
    • 1-259
      6.7 參數基礎推論模式
    • 1-260
      6.7.1 用例
    • 1-261
      6.7.2 想解決的課題
    • 1-262
      6.7.3 架構
    • 1-263
      6.7.4 實際建置
    • 1-264
      6.7.5 優點
    • 1-265
      6.7.6 檢討事項
    • 1-266
      6.8 條件分歧推論模式
    • 1-267
      6.8.1 用例
    • 1-268
      6.8.2 想解決的課題
    • 1-269
      6.8.3 架構
    • 1-270
      6.8.4 實際建置
    • 1-271
      6.8.5 優點
    • 1-272
      6.8.6 檢討事項
    • 1-273
      6.9 反面模式─ 純離線模式 ─
    • 1-274
      6.9.1 狀況
    • 1-275
      6.9.2 具體問題
    • 1-276
      6.9.3 優點
    • 1-277
      6.9.4 課題
    • 1-278
      6.9.5 規避方法
    • 1-279
      Ch07 End-to-End 的MLOps 系統設計
    • 1-280
      7.1 課題與手法
    • 1-281
      7.1.1 決定可利用機器學習解決的課題
    • 1-282
      7.1.2 檢討是否能利用機器學習解決
    • 1-283
      7.1.3 以數值評估機器學習解決課題的適用度
    • 1-284
      7.1.4 機器學習系統的要件定義
    • 1-285
      7.1.5 開發機器學習模型
    • 1-286
      7.1.6 評估模型與驗證效果
    • 1-287
      7.2 需求預測系統的範例
    • 1-288
      7.2.1 狀況與要件
    • 1-289
      7.2.2 建立系統
    • 1-290
      7.3 內容上傳服務的範例
    • 1-291
      7.3.1 狀況與要件
    • 1-292
      7.3.2 模型與系統
    • 1-293
      7.3.3 活用機器學習
    • 1-294
      7.3.4 MLOps
    • 1-295
      7.4 總結
    • 1-296
      結語
    • 1-297
      INDEX
    • 1-298
      作者簡介
    • 1-299
      版權頁
    • 1-300
      封底頁

    常见问答

    您可以透過手機、平板或是電腦登入 HiSKIO 平台，在【我的學習】＞【我的書籍】頁面，選擇想看的電子書。

    猜你喜欢

    用户评价

    | 收集中

    销售方案