Изучаем Ray. Гибкие распределенные вычисления на Python в машинном обучении
Книга представляет собой практическое руководство по фреймворку распределенных вычислений Ray с открытым исходным кодом. Авторы подробно объясняют, как использовать Ray для масштабирования вычислительно интенсивных рабочих нагрузок на Python, особенно в контексте машинного обучения и Data Science.
Читатели научатся применять Ray локально и разворачивать вычислительные кластеры, создавать распределенные приложения с помощью Ray Core, а также управлять распределенным обучением моделей. Книга охватывает ключевые компоненты экосистемы Ray, включая Ray Data для обработки данных, Ray Train для распределенного обучения и Ray RLlib для обучения с подкреплением.
Издание структурировано от основ к продвинутым темам, начиная с общего обзора фреймворка и его архитектурных принципов, затем переходя к практическому использованию Ray Core API и завершая рассмотрением специализированных библиотек для машинного обучения. Книга подходит как для начинающих, так и для опытных разработчиков, желающих освоить современные инструменты распределенных вычислений.
