جلد سخت سیاه و سفید
Product details
- Publisher : Packt Publishing; 2nd ed. edition (May 10, 2022)
- Language : English
- Paperback : 624 pages
- ISBN-10 : 1803232412
- ISBN-13 : 978-1803232416
کتاب Mastering Azure Machine Learning: Execute large-scale end-to-end machine learning with Azure, 2nd Edition
Supercharge and automate your deployments to Azure Machine Learning clusters and Azure Kubernetes Service using Azure Machine Learning services
Key Features
- Implement end-to-end machine learning pipelines on Azure
- Train deep learning models using Azure compute infrastructure
- Deploy machine learning models using MLOps
Book Description
Azure Machine Learning is a cloud service for accelerating and managing the machine learning (ML) project life cycle that ML professionals, data scientists, and engineers can use in their day-to-day workflows. This book covers the end-to-end ML process using Microsoft Azure Machine Learning, including data preparation, performing and logging ML training runs, designing training and deployment pipelines, and managing these pipelines via MLOps.
The first section shows you how to set up an Azure Machine Learning workspace; ingest and version datasets; as well as preprocess, label, and enrich these datasets for training. In the next two sections, you'll discover how to enrich and train ML models for embedding, classification, and regression. You'll explore advanced NLP techniques, traditional ML models such as boosted trees, modern deep neural networks, recommendation systems, reinforcement learning, and complex distributed ML training techniques - all using Azure Machine Learning.
The last section will teach you how to deploy the trained models as a batch pipeline or real-time scoring service using Docker, Azure Machine Learning clusters, Azure Kubernetes Services, and alternative deployment targets.
By the end of this book, you'll be able to combine all the steps you've learned by building an MLOps pipeline.
What you will learn
- Understand the end-to-end ML pipeline
- Get to grips with the Azure Machine Learning workspace
- Ingest, analyze, and preprocess datasets for ML using the Azure cloud
- Train traditional and modern ML techniques efficiently using Azure ML
- Deploy ML models for batch and real-time scoring
- Understand model interoperability with ONNX
- Deploy ML models to FPGAs and Azure IoT Edge
- Build an automated MLOps pipeline using Azure DevOps
Who this book is for
This book is for machine learning engineers, data scientists, and machine learning developers who want to use the Microsoft Azure cloud to manage their datasets and machine learning experiments and build an enterprise-grade ML architecture using MLOps. This book will also help anyone interested in machine learning to explore important steps of the ML process and use Azure Machine Learning to support them, along with building powerful ML cloud applications. A basic understanding of Python and knowledge of machine learning are recommended.
Table of Contents
- Understanding the End-to-End Machine Learning Process
- Choosing the Right Machine Learning Service in Azure
- Preparing the Azure Machine Learning Workspace
- Ingesting Data and Managing Datasets
- Performing Data Analysis and Visualization
- Feature Engineering and Labeling
- Advanced Feature Extraction with NLP
- Azure Machine Learning Pipelines
- Building ML Models Using Azure Machine Learning
- Training Deep Neural Networks on Azure
- Hyperparameter Tuning and Automated Machine Learning
- Distributed Machine Learning on Azure
- Building a Recommendation Engine in Azure
- Model Deployment, Endpoints, and Operations
- Model Interoperability, Hardware Optimization, and Integrations
- Bringing Models into Production with MLOps
- Preparing for a Successful ML Journey
منابع کتاب کتاب Mastering Azure Machine Learning: Execute large-scale end-to-end machine learning with Azure, 2nd Edition
با استفاده از خدمات یادگیری ماشینی Azure، استقرار خود را در کلاسترهای یادگیری ماشینی Azure و سرویس Azure Kubernetes سوپرشارژ و خودکار کنید.
ویژگی های کلیدی
- خطوط لوله یادگیری ماشینی سرتاسر را در Azure پیاده سازی کنید
- آموزش مدل های یادگیری عمیق با استفاده از زیرساخت محاسباتی Azure
- استقرار مدل های یادگیری ماشین با استفاده از MLOs
توضیحات کتاب
Azure Machine Learning یک سرویس ابری برای تسریع و مدیریت چرخه عمر پروژه یادگیری ماشینی (ML) است که متخصصان ML، دانشمندان داده و مهندسان میتوانند از آن در گردشهای کاری روزانه خود استفاده کنند. این کتاب فرآیند پایان به پایان ML را با استفاده از یادگیری ماشین لاجورد مایکروسافت، از جمله آماده سازی داده ها، انجام و ثبت برنامه های آموزشی ML، طراحی خطوط لوله آموزشی و استقرار، و مدیریت این خطوط لوله از طریق MLO ها را پوشش می دهد.
بخش اول به شما نشان می دهد که چگونه یک فضای کاری یادگیری ماشین Azure را راه اندازی کنید. مجموعه داده های دریافت و نسخه؛ و همچنین این مجموعه داده ها را برای آموزش از قبل پردازش، برچسب گذاری و غنی سازی کنید. در دو بخش بعدی، نحوه غنیسازی و آموزش مدلهای ML برای جاسازی، طبقهبندی و رگرسیون را خواهید یافت. شما تکنیکهای پیشرفته NLP، مدلهای سنتی ML مانند درختان تقویتشده، شبکههای عصبی عمیق مدرن، سیستمهای توصیه، یادگیری تقویتی، و تکنیکهای آموزشی پیچیده توزیعشده ML را کشف خواهید کرد - همه با استفاده از یادگیری ماشینی Azure.
بخش آخر به شما آموزش می دهد که چگونه مدل های آموزش دیده را به عنوان خط لوله دسته ای یا سرویس امتیازدهی بلادرنگ با استفاده از Docker، کلاسترهای یادگیری ماشین Azure، خدمات Azure Kubernetes و اهداف استقرار جایگزین، استقرار دهید.
در پایان این کتاب، میتوانید تمام مراحلی را که با ساختن خط لوله MLOps آموختهاید ترکیب کنید.
آنچه خواهید آموخت
- خط لوله ML سرتاسر را درک کنید
- با فضای کاری یادگیری ماشین Azure آشنا شوید
- با استفاده از ابر Azure، مجموعه دادههای ML را بلع، تجزیه و تحلیل و پیش پردازش کنید
- تکنیک های سنتی و مدرن ML را با استفاده از Azure ML به طور موثر آموزش دهید
- استقرار مدلهای ML برای امتیازدهی دستهای و بلادرنگ
- قابلیت همکاری مدل با ONNX را درک کنید
- استقرار مدلهای ML در FPGA و Azure IoT Edge
- با استفاده از Azure DevOps یک خط لوله MLOps خودکار بسازید
این کتاب برای چه کسی است
این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده و توسعه دهندگان یادگیری ماشینی است که می خواهند از ابر Microsoft Azure برای مدیریت مجموعه داده ها و آزمایش های یادگیری ماشین خود استفاده کنند و یک معماری ML درجه سازمانی با استفاده از MLOps بسازند. این کتاب همچنین به هر کسی که علاقه مند به یادگیری ماشینی است کمک می کند تا مراحل مهم فرآیند ML را کشف کند و از یادگیری ماشینی Azure برای پشتیبانی از آنها استفاده کند، همراه با ساخت برنامه های ابری قدرتمند ML. درک اولیه پایتون و دانش یادگیری ماشین توصیه می شود.
فهرست مطالب
- درک فرآیند یادگیری ماشینی پایان به انتها
- انتخاب سرویس یادگیری ماشین مناسب در Azure
- آماده سازی فضای کاری یادگیری ماشینی Azure
- مصرف داده ها و مدیریت مجموعه داده ها
- انجام تحلیل و تجسم داده ها
- مهندسی ویژگی و برچسب گذاری
- استخراج ویژگی های پیشرفته با NLP
- خطوط لوله یادگیری ماشین لاجورد
- ساخت مدل های ML با استفاده از یادگیری ماشینی Azure
- آموزش شبکه های عصبی عمیق در Azure
- تنظیم فراپارامتر و یادگیری خودکار ماشین
- یادگیری ماشینی توزیع شده در Azure
- ساخت یک موتور توصیه در Azure
- استقرار مدل، نقاط پایانی، و عملیات
- قابلیت همکاری مدل، بهینه سازی سخت افزار و ادغام
- وارد کردن مدل ها به تولید با MLOs
- آماده شدن برای یک سفر ML موفق
ارسال نظر درباره کتاب Mastering Azure Machine Learning: Execute large-scale end-to-end machine learning with Azure, 2nd Edition