*完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考,以到貨標的為正確資訊。 印行年月:202308*若逾兩年請先於私訊洽詢存貨情況,謝謝。 台灣(台北市)在地出版社,每筆交易均開具統一發票,祝您中獎最高1000萬元。 書名:MLOps工程實踐-工具、技術與企業級應用 ISBN:9787111733294 出版社:機械工業 著編譯者:陳雨強 鄭曌 譚中意 等 叢書名:智能系統與技術叢書 頁數:329 所在地:中國大陸 *此為代購商品 書號:1560996 可大量預訂,請先連絡。 內容簡介 這是一本能指導企業利用MLOps技術構建可靠、高效、可復用、可擴展的機器學習模型從而實現AI工程化落地的著作。由國內AI領域的獨角獸企業第四範式的聯合創始人和技術VP領銜撰寫,從工具、技術、企業級應用、成熟度評估4個維度對MLOps進行了全面的講解。 本書的主要內容包括如下9個方面: (1)MLOps的核心概念和方法,可以幫助讀者全面了解MLOps的基本原理; (2)MLOps涉及的幾種角色,以及這些角色之間如何協作; (3)機器學習項目的基礎知識和全流程,是學習和應用MLOps的基礎; (4)MLOps中的數據處理、主要流水線工具Airflow和MLflow、特徵平台和實時特徵平台OpenMLDB、推理工具鏈Adlik,為讀者系統講解MLOps的技術和工具; (5)雲服務供應商的端到端MLOps解決方案; (6)第四範式、網易、小米、騰訊、眾安金融等企業的MLOps工程實踐案例和經驗; (7)MLOps的成熟度模型,以及微軟、谷歌和信通院對MLOps成熟度模型的劃分; (8)針對不同規模的企業和團隊的MLOps最佳實踐,幫助他們量身定做MLOps策略; (9)MLOps的未來發展趨勢,以及如何將新技術融入MLOps實踐中。 本書深入淺出、循序漸進地講解了如何在實際項目中利用MLOps進行機器學習模型的部署、監控與優化,以及如何利用MLOps實現持續集成與持續交付等高效的工作流程。通過企業級的MLOps案例和解決方案,幫助讀者輕鬆掌握MLOps的設計思路以及如何應用MLOps解決實際問題。作者簡介 譚中意,星策社區發起人,LF AI& DATA TAC成員兼Outreach主席,開放原子基金會TOC(技術監督委員會)主席,Apache基金會正式成員。資深開源專家,在Sun、百度、騰訊等有豐富的平台化和開源開發、治理及運營經驗,是多個開源基金會項目Mozilla、GNOME、Apache、InnerSourceCommons、Openchain的貢獻者。目錄 前言 第1章 全面了解MLOps 1 1 人工智慧的趨勢和現狀 1 1 1 趨勢1:人工智慧在企業中加速落地,彰顯更多業務價值 1 1 2 趨勢2:人工智慧應用從以模型為中心向以數據為中心轉變 1 1 3 現狀:人工智慧落地成功率低,成本高 1 2 人工智慧的問題、挑戰以及應對措施 1 2 1 問題1:機器學習代碼只是整個系統的一小部分 1 2 2 問題2:數據是最主要的問題 1 2 3 挑戰:人工智慧系統如何規模化落地 1 2 4 應對措施:MLOps 1 3 MLOps簡介 1 3 1 MLOps的定義 1 3 2 MLOps相關的工具和平台 1 3 3 MLOps的優勢 1 4 MLOps與DevOps 1 4 1 DevOps的3個優點 1 4 2 MLOps延續了DevOps的優點 1 4 3 MLOps和DevOps的不同之處 1 4 4 MLOps和DevOps的目標與實踐理念 1 5 MLOps與其他XOps的區別 1 5 1 MLOps與AIOps的區別 1 5 2 MLOps與DataOps的區別 1 5 3 MLOps與ModelOps的區別 1 5 4 XOps的相同點:都基於DevOps原則 1 6 本章小結 第2章 MLOps涉及的角色 第3章 機器學習項目概論 第4章 MLOps中的數據部分 第5章 流水線工具 第6章 特徵平台 第7章 實時特徵平台OpenMLDB 第8章 Adlik推理工具鏈 第9章 雲服務供應商的端到端MLOps解決方案 第10章 MLOps在反欺詐與推薦系統中的應用 第11章 網易雲音樂實時模型大規模應用之道 第12章 小米廣告機器學習平台實踐 第13章 騰訊金融推薦中台實踐 第14章 眾安金融實時特徵平台實踐 第15章 MLOps成熟度模型 詳細資料或其他書籍請至台灣高等教育出版社查詢,查後請於PChome商店街私訊告知ISBN或書號,我們即儘速上架。 |