Machine Learning in Production: Master the art of delivering robust Machine Learning solutions with MLOps
Эта книга представляет собой комплексное руководство по внедрению и поддержке моделей машинного обучения в промышленной эксплуатации с использованием методологии MLOps. Автор, опытный специалист в области data science, подробно рассматривает весь жизненный цикл ML-проекта — от разработки модели до её развертывания и мониторинга в продакшен-среде.
В книге охвачены ключевые технологии и практики MLOps, включая работу с Git, контейнеризацию с помощью Docker, оркестрацию контейнеров с Kubernetes, упаковку Python-кода, тестирование моделей с использованием pytest, а также построение CI/CD пайплайнов для автоматизации развертывания. Особое внимание уделяется обеспечению безопасности моделей и их мониторингу в реальном времени.
Практические примеры и рекомендации помогут читателям освоить развертывание масштабируемых и отказоустойчивых ML-приложений на основных облачных платформах: Azure, GCP и AWS. Книга также рассматривает лучшие практики и паттерны проектирования для построения эффективных MLOps-процессов.
Издание предназначено для data scientists, ML-инженеров, разработчиков программного обеспечения и менеджеров проектов, которые стремятся перевести машинное обучение из стадии экспериментов в стабильную промышленную эксплуатацию.
