عنوان فارسی
معرفی MLOps: چگونه یادگیری ماشین را در سازمان مقیاس بندی کنیم
عنوان اصلی
Introducing MLOps: How to Scale Machine Learning in the Enterprise
ویرایش
1
ناشر
O Reilly Media
نویسنده
Mark Treveil Nicolas Omont Clément Stenac Kenji Lefevre Du Phan Joachim Zentici Adrien Lavoillotte Makoto Miyazaki Lynn Heidmann
ISBN
1492083291 9781492083290
سال نشر
2020
زبان
English
تعداد صفحات
186
دسته
سایبرنتیک: هوش مصنوعی
فرمت کتاب
pdf – قابل تبدیل به سایر فرمت ها
حجم فایل
14 مگابایت
آنتونی رابینز میگه : من در 40 سالگی به جایی رسیدم که برای رسیدن بهش 82 سال زمان لازمه و این رو مدیون کتاب خواندن زیاد هستم.
فارسی:
کتاب «معرفی MLOps: چگونه یادگیری ماشین را در سطح سازمانی مقیاس‌پذیر کنیم» نوشته‌ی لین هایدمَن، راهنمایی کاربردی برای مهندسان داده، متخصصان یادگیری ماشین و مدیران فنی است که می‌خواهند فرآیندهای یادگیری ماشین را در سازمان خود به‌صورت سیستماتیک پیاده‌سازی کنند.
در این کتاب، نویسنده به چالش‌های اصلی استقرار مدل‌های یادگیری ماشین، از جمله آزمایش، نظارت، مقیاس‌پذیری، همکاری میان تیم‌ها، و مدیریت چرخه عمر مدل‌ها (ML lifecycle) می‌پردازد. همچنین مفاهیمی مانند CI/CD برای مدل‌های ML، ابزارهای کلیدی مانند Kubernetes، MLflow، و بهترین شیوه‌ها برای پیاده‌سازی پایدار و تکرارپذیر در محیط‌های واقعی شرح داده می‌شوند.
این اثر برای افرادی که قصد دارند مدل‌های یادگیری ماشین را فراتر از مرحله تحقیق، وارد فضای عملیاتی و تجاری کنند، منبعی کاربردی و به‌روز به‌شمار می‌رود.
English:
“Introducing MLOps: How to Scale Machine Learning in the Enterprise” by Lynn Heidmann is a practical and insightful guide for data scientists ML engineers and technical leaders aiming to operationalize machine learning in enterprise environments.
The book addresses critical challenges in deploying and maintaining ML models at scale—such as model testing versioning monitoring reproducibility and team collaboration. It introduces core MLOps concepts tools like MLflow and Kubernetes and shows how to build CI/CD pipelines tailored for machine learning workflows.
With a focus on real-world implementation the author walks readers through the end-to-end ML lifecycle providing strategies to ensure scalability reliability and compliance in production systems. This book is ideal for those who want to bridge the gap between data science experimentation and scalable enterprise-grade ML deployment.
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.