کتاب Continuous Machine Learning with Kubeflow (یادگیری ماشین مداوم با Kubeflow: انجام عملیات یادگیری ماشینی قابل اعتماد با قابلیت‌های TFX، Sagemaker و Kubernetes) از جدیدترین منابع یادگیری ماشین و کار با ابزار Kubeflow در این حوزه است.
در ادامه مقدمه‌ای از کتاب Continuous Machine Learning with Kubeflow را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Continuous Machine Learning with Kubeflow:
این کتاب بر روی DevOps و MLOps استقرار و تولید پروژه‌های یادگیری ماشین با Kubeflow در پلتفرم Google Cloud تمرکز دارد. نویسندگان احساس می‌کنند که در این دوره از یادگیری ماشینی، بسیاری از شرکت‌ها نتوانستند پروژه‌های AI/ML را در زمان واقعی تولید کنند که این نیز مطالعه‌ای از فوربس بود. این محتوای قانع‌کننده و مرتبط برای تیم‌های DevOps/MLOps امروزی است که این بخش هنوز در حال تغییر است.
بنابراین، امروزه بسیاری از پلتفرم‌های یادگیری ماشین رویکردهای متفاوتی را برای معماری و فضای راه‌حل مدیریت گردش‌های کاری یادگیری ماشین اتخاذ می‌کنند. مفاهیم اصلی Kubernetes و Kubeflow و معماری آن در کنار آن به ما می‌آموزد که چگونه به پروژه‌های AI/ML خود نزدیک شده و از آموزش گرفته تا ارائه خدمات با مقیاس تولید با Kubeflow به آنها نزدیک شویم.
کتاب Continuous Machine Learning with Kubeflow با معرفی زیرساخت‌های یادگیری ماشین امروزی معماری Kubernetes و Kubeflow شروع می‌شود. سپس به تشریح اصول اصلی استفاده از موارد مختلف AI/ML با آموزش TensorFlow با Kubeflow می‌پردازیم و توضیح می‌دهیم که چگونه Kubernetes برخی از مشکلات پیش آمده را حل می‌کند.
ما همچنین نحوه استفاده از TFX با Kubeflow را در کنار هوش مصنوعی Explainable برای تعیین انصاف و تعصب با What-if Tool نشان می‌دهیم. با سرویس Kubeflow KF چارچوب تکنیک‌های سرویس دهی مختلف را برای موارد استفاده مختلف یاد می‌گیریم. پس از آن، ما به ساخت نمونه رابط کاربری مبتنی بر بینایی کامپیوتری به صورت ساده و استقرار آن در پلتفرم ابری گوگل Kubernetes و استقرار Heroku نگاه می‌کنیم.
کتاب Continuous Machine Learning with Kubeflow در 8 فصل تنظیم شده است. آنها Kubernetes، مبانی Kubeflow، پروژه‌های استقرار پیشرفته با Kubeflow، استقرار AWS Sagemaker و هوش مصنوعی قابل توضیح را با نمونه‌های زمان واقعی برای استقرار و ایجاد کانتینر با Docker و ساخت خط لوله در Kubeflow پوشش می‌دهند. علاقه بیشتری در بین یادگیرندگان به استقرار یادگیری ماشین با Kubeflow ایجاد خواهد شد.
جزئیات به شرح زیر ذکر شده است:
فصل اول: در این فصل با ویژگی‌های کامل Kubeflow، نحوه کار و نیاز آن آشنا می‌شویم. همچنین با عملکردهای معماری Kubernetes مانند سرویس، پاد، Ingress و غیره آشنا خواهیم شد. ما یاد خواهیم گرفت که تصویر داکر را بسازیم و یاد خواهیم گرفت که کار می‌کند. در اینجا، مؤلفه‌های مزیت Kubeflow را مشاهده خواهیم کرد که در فصل‌های آینده از آنها استفاده خواهیم کرد. سپس، به سمت راه اندازی کامل Kubeflow در پلتفرم Google Cloud و راه‌اندازی نوت‌بوک Jupyter خواهیم رفت. ما یک مورد اختیاری داریم – نحوه ایجاد ادعای حجم دائمی و پیوست آن به فروشگاه فایل برای ذخیره کدها و داده‌های شما.
فصل 2 کتاب Continuous Machine Learning with Kubeflow: در این فصل، استقرار مدل طبقه‌بندی TensorFlow سرتاسر را با ارکستراسیون Kubeflow می‌سازیم که شامل استقرار Kubeflow در خوشه Kubernetes در GCP، ساخت اجزای خط لوله برای مدل با Docker و Kubeflow SDK، و سپس ارائه خدمات به مدل با KF خدمت می‌کند تا یک نقطه پایانی برای پیش‌بینی داشته باشد. ما همچنین نظارت و عملکرد را برای نقطه پایانی ترافیک سرویس خود در داشبورد Grafana دنبال خواهیم کرد.
فصل 3: در این فصل، ما یک مدل بینایی کامپیوتری TensorFlow را با عملیات OpenCV می‌سازیم و آن را با هماهنگی Kubeflow، که شامل استقرار Kubeflow در خوشه Kubernetes در GCP، ساخت اجزای خط لوله برای مدل با Docker است، اجرا می‌کنیم. و Kubeflow SDK و سپس به مدل با سرویس KF خدمت می‌کند تا نقطه پایانی برای پیش‌بینی داشته باشد. سپس ما نظارت و عملکرد را در داشبورد Grafana دنبال خواهیم کرد.
فصل 4 کتاب Continuous Machine Learning with Kubeflow: در این فصل یک مدل طبقه‌بندی داده‌های ساخت‌یافته سرتاسر می‌سازیم و با کمک TFX آن را برای تولید آماده می‌کنیم و خروجی‌های مدل را با سرویس TF برای پیش‌بینی ارائه می‌کنیم. ما همچنین مدل اکوسیستم TensorFlow را خواهیم ساخت و ارزیابی را با Tensorboard و Fairness تجسم خواهیم کرد. سپس، با اجزای مختلف TFX مانند TFT، TFMA، TFDV و غیره آشنا خواهیم شد. بعداً، یک خط لوله Kubeflow در Google Cloud ایجاد خواهیم کرد.
فصل 5: در این فصل، ما بر روی یک مدل طبقه‌بندی با مجموعه داده رزرو هتل کار می‌کنیم، مدل‌های TensorFlow و تقویت‌کننده را آموزش می‌دهیم و توضیح پیشرفته نتایج مدل خود را با محصولات Tensorboard، Shap و What-if تجسم می‌کنیم.
فصل 6 کتاب Continuous Machine Learning with Kubeflow: در این فصل، ما یک چارچوب مدل Light سرتاسر ایجاد می‌کنیم و عملکرد مدل را در ابزار Weights and Biases (Wandb) نظارت می‌کنیم. در Weights و Biases، ما نمودارهای RMSE مدل زنده و نمودارهای عملکرد پارامترهای فوق‌العاده مختصات موازی را برای هر تکرار خواهیم دید. در مرحله بعد، مدل را با KF که در خوشه Kubernetes خود در پلتفرم Google Cloud خدمت می‌کند، مستقر می‌کنیم. ما نقطه پایانی مدل را ارائه خواهیم کرد که برای پیش‌بینی و نظارت در داشبورد Grafana استفاده می‌شود، مانند درخواست نرخ مدل با توجه به زمان و مصرف CPU و GPU.
فصل 7: در این فصل، ما روی پروژه مجموعه داده فروش قیمت مسکن کار خواهیم کرد، جایی که به طور کامل مدل را در محیط Amazon SageMaker Cloud اجرا، ارزیابی و مستقر خواهیم کرد و از S3 برای ذخیره‌سازی داده‌ها استفاده می‌کنیم. ما همچنین از الگوریتم کانتینر داخلی XG-Boost برای ساخت مدل استفاده خواهیم کرد تا بتوانیم معماری چارچوب ساختمان مدل SageMaker را از انتها به پایان برسانیم.
فصل 8 کتاب Continuous Machine Learning with Kubeflow: در این فصل، ما یک برنامه وب سرتاسر برای مدل‌های بینایی کامپیوتری می‌سازیم و رابط کاربری را با Streamlit می‌سازیم. ما در مورد بسیاری از مدل‌های Open CV برای تصویر مانند برش، تغییر پیکسل و غیره یاد خواهیم گرفت. در مرحله بعد، برنامه وب را با رجیستری کانتینر Heroku یا Kubernetes Cluster به عنوان یک برنامه خدماتی در Google Cloud میزبانی می‌کنیم.
سرفصل‌های کتاب Continuous Machine Learning with Kubeflow:
- 1. Introduction to Kubeflow & Kubernetes Cloud Architecture
- 2. Developing Kubeflow Pipeline in GCP
- 3. Designing Computer Vision Model in Kubefow
- 4. Building TFX Pipeline
- 5. ML Model Explainability & Interpretability
- 6. Building Weights & Biases Pipeline Development
- 7. Applied ML with AWS Sagemaker
- 8. Web App Development with Streamlit & Heroku
جهت دانلود کتاب Continuous Machine Learning with Kubeflow می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.