建構機器學習管道|運用TensorFlow實現模型生命週期自動化

「本書是一本出色的參考資料，全面介紹ML產品系統，特別關注TFX。它包含最準確的資訊，並提供清晰、簡潔的解釋案例。」—RobertCroweTensorFlowDeveloperAdvocate,Google公司在機器學習專案上耗費巨資，但如果不能有效地部署模型，無疑是在浪費金錢。在本書中，HannesHapke和CatherineNelson將帶領您瞭解使用TensorFlow生態系統自動化機器學習管道的步驟。您將學習到將部署時間從幾天縮短到幾分鐘的技術和工具，進而更專注新模型的開發，而不是維護舊有的系統。數據科學家、機器學習工程師和DevOps工程師將發現如何超越模型開發，成功地將他們的數據科學項目產品化，而管理人員將更瞭解他們在加速這些專案項目所扮演的角色。‧瞭解構建機器學習管道的步驟‧使用TensorFlowExtended中的組件建構您的管道‧使用ApacheBeam、ApacheAirflow和Kubeflow管道來協作您的機器學習管道‧使用TensorFlow數據驗證和TensorFlow轉換來處理數據‧使用TensorFlow模型驗證對模型進行詳細分析‧檢驗模型表現的公平性和偏誤性‧使用TensorFlowServing或TensorFlowLite為移動設備部署模型‧學習隱私保護(privacy-preserving)機器學習技術

專案 工程師 數據 模型 機器學習 自動化 開發 隱私保護 KUBEFLOW ML TENSORFLOWLITE

• 更多資訊 搶優惠
分享文章
×
分享