MLOps权威指南

第1章 MLOps简介9
1.1 机器学习工程师和MLOps的兴起9
1.2 什么是MLOps11
1.3 DevOps和MLOps12
1.4 MLOps需求层次14
1.5 小结25
练习题25
独立思考和讨论26
第2章 MLOps基础27
2.1 Bash和Linux命令行27
2.2 云端shell开发环境28
2.3 Bash shell和常用命令29
2.4 云计算基础和构建模块32
2.5 云计算入门34
2.6 Python速成课程35
2.7 Python极简教程37
2.8 程序员的数学速成课程39
2.9 机器学习关键概念50
2.10 开展数据科学工作52
2.11 从零开始构建一个MLOps管道54
2.12 小结60
练习题61
独立思考和讨论61
第3章 容器和边缘设备的MLOps63
3.1 容器64
3.2 边缘设备74
3.3 托管机器学习系统的容器82
3.4 小结84
练习题84
独立思考和讨论85
第4章 机器学习模型的持续交付86
4.1 机器学习模型打包87
4.2 机器学习模型持续交付中的基础设施即代码91
4.3 使用云管道97
4.4 小结104
练习题104
独立思考和讨论105
第5章 AutoML和KaizenML106
5.1 AutoML107
5.2 苹果生态系统117
5.3 谷歌的AutoML和边缘计算机视觉125
5.4 Azure的AutoML129
5.5 AWS的AutoML131
5.6 开源AutoML解决方案135
5.7 模型可解释性137
5.8 小结141
练习题141
独立思考和讨论142
第6章 监控和日志143
6.1 云MLOps的可观测性144
6.2 日志记录简介146
6.3 Python中的日志记录147
6.4 监控及可观测性153
6.5 小结163
练习题163
独立思考和讨论163
第7章 AWS的MLOps165
7.1 AWS简介166
7.2 AWS上的MLOps Cookbook183
7.3 AWS Lambda方法196
7.4 将AWS机器学习应用于现实世界201
7.5 小结205
练习题206
独立思考和讨论206
第8章 Azure的MLOps207
8.1 Azure CLI和Python SDK208
8.2 身份认证209
8.3 计算实例212
8.4部署213
8.5 将模型部署到计算集群216
8.6 部署问题排查221
8.7 Azure机器学习管道226
8.8 机器学习生命周期230
8.9 小结231
练习题231
独立思考和讨论232
第9章 谷歌云平台的MLOps233
9.1 谷歌云平台概览233
9.2 谷歌云平台上的DataOps：应用数据工程248
9.3 机器学习模型运维252
9.4 小结254
练习题256
独立思考和讨论256
第10章 机器学习互操作性257
10.1 为什么互操作性至关重要258
10.2 ONNX：开放式神经网络交换260
10.3 苹果的Core ML271
10.4 边缘集成275
10.5 小结276
练习题276
独立思考和讨论277
第11章 构建MLOps命令行工具和微服务278
11.1 Python打包279
11.2 依赖文件280
11.3 命令行工具281
11.4 微服务291
11.5 机器学习CLI工作流300
11.6 小结302
练习题302
独立思考和讨论302
第12章 机器学习工程和MLOps案例研究304
12.1 在构建机器学习模型时无知带来的难以置信的收益305
12.2 Sqor运动社交网络中的MLOps工程306
12.3 完美技术与现实世界311
12.4 MLOps中的关键挑战313
12.5 实施MLOps的终建议319
12.6 小结321
练习题322
独立思考和讨论322
附录323
附录A 关键术语323
附录B 技术认证327
附录C 远程工作342
附录D 像VC一样思考你的职业生涯346
附录E 构建MLOps技术组合349
附录F 数据科学案例研究：间歇性禁食354
附录G 附加的教育资源358
附录H 技术项目管理368