Ingeniería De Aprendizaje Automático Con Python - Segunda Ed

Descripción

Transforme sus proyectos de aprendizaje automático en despliegues exitosos con esta guía práctica sobre cómo crear y escalar soluciones que resuelvan problemas del mundo real
Incluye un nuevo capítulo sobre la IA generativa y los modelos lingüísticos grandes (LLM) y la creación de una canalización que aproveche los LLM mediante LangChain Características clave Esta segunda edición profundiza en los temas clave del aprendizaje automático, la CI/CD y el diseño de sistemas Explore las principales prácticas de MLOps, como la gestión de modelos y la supervisión del rendimiento Cree ejemplos integrales de aprendizaje automático microservicios y canalizaciones que utilizan AWS y descripción
del libro de herramientas de código abierto La segunda edición de Machine Learning Engineering with Python es la guía práctica que los ingenieros de MLOps y ML necesitan para crear soluciones a problemas del mundo real. Le proporcionará las habilidades que necesita para mantenerse a la vanguardia en este campo en rápida evolución.
El libro adopta un enfoque basado en ejemplos para ayudarlo a desarrollar sus habilidades y cubre los conceptos técnicos, los patrones de implementación y las metodologías de desarrollo que necesita. Explorará los pasos clave del ciclo de vida del desarrollo del aprendizaje automático y creará su propia fábrica de modelos estandarizada para la formación y el reentrenamiento de los modelos. Aprenderá a emplear conceptos como la CI/CD y a detectar diferentes tipos de desviaciones.
Adquirirá experiencia con las arquitecturas de despliegue más recientes y descubrirá métodos para ampliar sus soluciones. Esta edición profundiza en todos los aspectos de la ingeniería de aprendizaje automático y los MLOP, haciendo hincapié en las últimas tecnologías de código abierto y basadas en la nube. Incluye un enfoque completamente renovado de las técnicas avanzadas de canalización y orquestación, y
con un nuevo capítulo dedicado al aprendizaje profundo, la IA generativa y los LLMOP, aprenderá a utilizar herramientas como LangChain, PyTorch y Hugging Face para aprovechar los LLM y optimizar los análisis. Explorarás los asistentes de inteligencia artificial, como GitHub Copilot, para ser más productivo y, a continuación, profundizarás en las consideraciones de ingeniería que implica trabajar con el aprendizaje profundo. Qué aprenderá Planifique y gestione proyectos de desarrollo de aprendizaje automático de extremo a extremo Explore el aprendizaje profundo, los LLM y los LLMOP para aprovechar la IA generativa Utilice Python para empaquetar sus herramientas de aprendizaje automático y ampliar sus soluciones Familiarícese con Apache Spark, Kubernetes y Ray Build y ejecute canalizaciones de aprendizaje automático con Apache Airflow, ZenML y Kubeflow Detecte mecanismos de derivación e incorpore mecanismos de reentrenamiento en sus soluciones Mejore el manejo de errores con el escaneo de flujos de control y vulnerabilidades Hospede y compile ML microservicios y procesos por lotes que se ejecutan en AWS Para quién es
este libro Este libro está diseñado para ingenieros de MLOps y ML, científicos de datos y desarrolladores de software que desean crear soluciones sólidas que utilicen el aprendizaje automático para resolver problemas del mundo real. Si no eres desarrollador, pero quieres gestionar o entender el ciclo de vida de los productos de estos sistemas, este libro también te resultará útil. Supone un conocimiento básico de los conceptos de aprendizaje automático y una experiencia de programación intermedia en Python. Este libro, que se centra en las habilidades prácticas y los ejemplos del mundo real, es un recurso esencial para quienes buscan avanzar en su carrera profesional en ingeniería de aprendizaje automático. Tabla de contenido Introducción a la ingeniería de aprendizaje automático El proceso de desarrollo del aprendizaje automático: de un modelo a otra fábrica Empaquetado de patrones y herramientas de implementación, ampliación del aprendizaje profundo, inteligencia artificial generativa y LLMOP: creación de un ejemplo de microservicio de aprendizaje automático: creación de un caso práctico de extracción, transformación y aprendizaje automático