X
  GO
Ihre Mediensuche
Suche
Zweigstelle
Medienart


7 von 33
MLOps - Kernkonzepte im Überblick
Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalieren
Verfasserangabe: Mark Treveil und das Dataiku-Team [8 weitere Autoren]. Deutsche Übersetzung von Marcus Fraaß
Jahr: 2021
Verlag: Heidelberg, O'Reilly
Mediengruppe: Buch
verfügbar (wo?)verfügbar (wo?)
Exemplare
 ZweigstelleStandorteStatusFristVorbestellungen
 Vorbestellen Zweigstelle: 07., Urban-Loritz-Pl. 2a Standorte: NT.EIT MLOp / College 6c - Informatik & Computer Status: Verfügbar Frist: Vorbestellungen: 0
Inhalt
Stellt DevOps-Konzepte vor, die die speziellen Anforderungen von ML-Anwendungen berücksichtigen
Umfasst die Verwaltung, Bereitstellung, Skalierung und Überwachung von Machine-Learning-Modellen im Unternehmensumfeld
Für Data Scientists und Data Engineers, die nach besseren Strategien für den produktiven Einsatz ihrer ML-Modelle suchen
 
Machine-Learning-Modelle zu entwickeln ist das eine, sie im Produktivbetrieb effizient einzusetzen, eine ebenfalls nicht zu unterschätzende Herausforderung ¿ so die Erfahrung vieler Unternehmen. Dieses Buch zeigt Ihnen, wie Sie mithilfe durchdachter MLOps-Strategien eine stabile DevOps-Umgebung für Ihre ML-Anwendungen aufbauen, Ihre Modelle kontinuierlich verbessern und langfristig warten.
Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen aus der ganzen Welt geben neun ML-Experten praxiserprobte Hilfestellungen zu den fünf Schritten des Modelllebenszyklus ¿ Entwicklung, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können.
 
Erschließen Sie den Wert Ihrer Data-Science-Anwendungen für Ihr Unternehmen vollständig, indem Sie Störfaktoren in ML-Pipelines und -Workflows ausräumen
Verfeinern Sie Ihre ML-Modelle durch Retraining, regelmäßiges Tuning und grundlegende Überarbeitung, um eine dauerhaft hohe Qualität zu gewährleisten
Organisieren Sie den MLOps-Lebenszyklus so, dass Risiken, die in den Modellen stecken könnten, minimiert werden, damit die Ergebnisse unverzerrt, ausgewogen und nachvollziehbar sind
Optimieren Sie ML-Modelle nicht nur für die eigene Deployment-Pipeline, sondern auch für externe Partner, deren Systeme komplexer und weniger standardisiert sind
(Verlagstext)
Details
VerfasserInnenangabe: Mark Treveil und das Dataiku-Team [8 weitere Autoren]. Deutsche Übersetzung von Marcus Fraaß
Jahr: 2021
Verlag: Heidelberg, O'Reilly
Systematik: NT.EIT
ISBN: 978-3-96009-172-1
2. ISBN: 3-96009-172-9
Beschreibung: Deutsche Ausgabe, 1. Auflage
Beteiligte Personen: Treveil, Mark; Fraaß, Marcus
Sprache: Deutsch
Originaltitel: Introducing MLOps
Fußnote: Aus dem Englischen übersetzt
Mediengruppe: Buch