Building Machine Learning Pipelines av Hannes Hapke

I dagens verden investerer selskaper milliarder på maskinlæring, men mye av dette kan være bortkastet hvis modellene ikke kan implementeres effektivt. I denne praktiske guiden introduserer Hannes Hapke og Catherine Nelson leserne for prosessene involvert i automatisering av en maskinlæringspipeline, ved hjelp av TensorFlow-økosystemet. Du vil lære teknikker og verktøy som reduserer implementeringstiden fra dager til minutter, noe som lar deg fokusere på å utvikle nye modeller fremfor å vedlikeholde utdaterte systemer. Dataforskere, maskinlæringsingeniører og DevOps-ingeniører vil oppdage hvordan de kan gå utover bare modellutvikling for å effektivt kommersialisere sine datavitenskapelige prosjekter. I tillegg vil ledere få en dypere forståelse av sin rolle i å akselerere slike prosjekter. Boken dekker essensielle steg for å bygge en maskinlæringspipeline, inkluderer bruk av komponenter fra TensorFlow Extended, samt hvordan man orchestrerer pipelinen med Apache Beam, Apache Airflow, og Kubeflow Pipelines. Leserne får også innsikt i hvordan man jobber med data ved hjelp av TensorFlow Data.