کتاب Machine Learning on Kubernetes

کتاب Machine Learning on Kubernetes (یادگیری ماشین در Kubernetes: کتابچه راهنمای عملی برای ساخت و استفاده از یک پلتفرم کامل یادگیری ماشین منبع باز در Kubernetes) از جدیدترین منابع یادگیری کوبرنتیز جهت استفاده در علم یادگیری ماشین است. این کتاب در 11 فصل به شرح مقدمات تا بیان نکات پیشرفته‌ی ابزار کوبرنتیز جهت به کارگیری آن در یادگیری ماشین خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Machine Learning on Kubernetes را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning on Kubernetes:

یادگیری ماشین (ML) علمی به روز است. سازمان‌ها در پذیرش و ارتقای قابلیت‌های ML خود برای ساخت محصولات جدید و بهبود تجربه مشتری سرمایه‌گذاری می‌کنند. تمرکز این کتاب بر کمک به سازمان‌ها و تیم‌ها برای به دست آوردن ارزش تجاری از طرح‌های ML است. با پیاده‌سازی MLOps با Kubernetes، دانشمندان داده، متخصصان عملیات فناوری اطلاعات و مهندسان داده می‌توانند با یکدیگر همکاری کرده و راه‌حل‌های ML بسازند که نتایج ملموسی برای کسب‌وکارشان ایجاد کند. این کتاب تیم‌ها را قادر می‌سازد تا رویکردی عملی برای کار با هم داشته باشند تا رشته مهندسی نرم‌افزار را به چرخه عمر پروژه ML بیاورند.

بیشتر بخوانید: کتاب Distributed Machine Learning with Python

شما با درک اینکه چرا MLOps مهم است و اجزای مختلف یک پروژه ML را کشف خواهید کرد، شروع خواهید کرد. بعداً در این کتاب، شما یک پروژه MLOps end-to-end عملی را طراحی و می‌سازید که از محبوب‌ترین اجزای OSS استفاده می‌کند. همانطور که پیشرفت می‌کنید، با اصول MLOps و ارزشی که می‌تواند برای پروژه‌های ML خود به ارمغان بیاورد، و همچنین به دست آوردن تجربه در ساخت، پیکربندی، و استفاده از یک پلتفرم منبع باز و کانتینری ML در Kubernetes خواهید رسید.

در نهایت، نحوه آماده‌سازی داده‌ها، ساخت و استقرار سریع مدل‌ها و خودکارسازی وظایف برای خط لوله ML کارآمد با استفاده از یک پلتفرم مشترک را خواهید آموخت. تمرین‌های این کتاب به شما کمک می‌کند تا با استفاده از Kubernetes و ادغام آن با OSS، مانند JupyterHub، MLflow، و Airflow عمل کنید.

در پایان این کتاب، شما یاد خواهید گرفت که چگونه با استفاده از پلتفرم ML که ساخته‌اید، یک مدل ML را به طور موثر بسازید، آموزش دهید و به کار ببرید.

این کتاب برای چه کسی است؟

کتاب Machine Learning on Kubernetes برای دانشمندان داده، مهندسان داده، صاحبان پلتفرم‌های فناوری اطلاعات، صاحبان محصولات هوش مصنوعی و معماران داده است که می‌خواهند از اجزای منبع باز برای ایجاد یک پلتفرم ML استفاده کنند. اگرچه این کتاب با اصول اولیه شروع می‌شود، اما درک خوب Python و Kubernetes، همراه با دانش مفاهیم اولیه علم داده و مهندسی داده، به شما کمک می‌کند تا موضوعات مطرح شده در این کتاب را بسیار بهتر درک کنید.

آنچه کتاب Machine Learning on Kubernetes پوشش می‌دهد:

فصل 1، چالش‌های یادگیری ماشین، چالش‌هایی را که سازمان‌ها در پذیرش ML با آن روبرو هستند و اینکه چرا تعداد زیادی از ابتکارات ML ممکن است نتایج مورد انتظار را ارائه نکنند، مورد بحث قرار می‌دهد. در این فصل به چند دلیل اصلی که چرا سازمان‌ها با این چالش‌ها مواجه می‌شوند، بیشتر بحث می‌کند.

فصل 2، درک MLOps، به ساخت مجموعه مشکلات شناسایی شده از فصل 1، چالش‌های یادگیری ماشین ادامه می‌دهد و چگونگی مقابله با چالش‌های اتخاذ ML را مورد بحث قرار می‌دهد. در این فصل، تعریف MLO و نحوه کمک به سازمان‌ها برای کسب ارزش از طرح‌های ML ارائه می‌شود. این فصل همچنین طرحی در مورد اینکه چگونه شرکت‌ها می‌توانند MLO را در پروژه‌های ML خود بپذیرند، ارائه می‌دهد.

فصل 3 کتاب Machine Learning on Kubernetes، کاوش در Kubernetes، ابتدا توضیح می‌دهد که چرا ما Kubernetes را به عنوان پایه MLO در این کتاب انتخاب کرده ایم. این فصل مفهوم اصلی Kubernetes را بیشتر تعریف می‌کند و به شما در ایجاد محیطی که می‌تواند کد را آزمایش کند، کمک می‌کند. جهان به سرعت در حال تغییر است و بخشی از این اختلال در سرعت بالا در دسترس بودن راه حل‌های ابری و مبتنی بر ابر است. این فصل یک نمای کلی از اینکه چگونه پلتفرم مبتنی بر Kubernetes می‌تواند به شما انعطاف‌پذیری دهد تا راه حل خود را در هر مکانی اجرا کنید، ارائه می‌کند.

فصل 4 کتاب Machine Learning on Kubernetes، آناتومی یک پلتفرم یادگیری ماشینی، نمای 1000 فوتی از ظاهر یک پلتفرم ML را نشان می‌دهد. شما قبلاً می‌دانید که MLOps چه مشکلاتی را حل می‌کند. این فصل اجزای یک پلتفرم MLOps را به روشی مبتنی بر فناوری تعریف می‌کند. شما یک پایه محکم بر روی اجزای اصلی یک پلتفرم MLOps خواهید ساخت.

فصل 5 کتاب Machine Learning on Kubernetes، مهندسی داده، بخش مهمی از هر پروژه ML را پوشش می‌دهد که اغلب نادیده گرفته می‌شود. تعداد زیادی از آموزش‌ها/کتاب‌های ML با یک مجموعه داده تمیز شروع می‌شوند، شاید یک فایل CSV برای ساخت مدل خود. دنیای واقعی متفاوت است.

داده‌ها اشکال و اندازه‌های مختلفی دارند و مهم است که یک استراتژی کاملاً تعریف شده برای برداشت، پردازش و آماده‌سازی داده‌ها در مقیاس داشته باشید. این فصل نقش مهندسی داده در یک پروژه موفق ML را تعریف می‌کند. در مورد ابزارهای OSS که می‌توانند مبنایی برای مهندسی داده‌ها باشند، بحث خواهد کرد. سپس در این فصل در مورد نحوه نصب این مجموعه ابزارها در پلتفرم Kubernetes صحبت خواهد شد.

فصل 6 کتاب Machine Learning on Kubernetes، مهندسی یادگیری ماشین، بحث را به فعالیت‌های تنظیم و استقرار ساخت مدل در چرخه عمر توسعه ML منتقل می‌کند. این فصل در مورد ارائه یک راه حل سلف سرویس برای دانشمندان داده بحث می‌کند تا بتوانند کارآمدتر کار کنند و با تیم‌های مهندسی داده و سایر دانشمندان داده با استفاده از همان پلتفرم همکاری کنند.

همچنین در مورد ابزارهای OSS که می‌توانند مبنای توسعه مدل را فراهم کنند، صحبت خواهد شد. سپس در این فصل در مورد نحوه نصب این مجموعه ابزارها در پلتفرم Kubernetes صحبت خواهد شد.

فصل 7 کتاب Machine Learning on Kubernetes، استقرار مدل و اتوماسیون، مرحله استقرار چرخه عمر پروژه ML را پوشش می‌دهد. مدلی که می‌سازید، داده‌هایی را که به آن ارائه کرده‌اید می‌داند. اما در دنیای واقعی، داده‌ها تغییر می‌کنند. این فصل ابزارها و تکنیک‌های نظارت بر عملکرد مدل شما را مورد بحث قرار می‌دهد. این داده‌های عملکرد را می‌توان برای تصمیم‌گیری در مورد اینکه آیا مدل به بازآموزی در یک مجموعه داده جدید نیاز دارد یا اینکه آیا زمان ساخت یک مدل جدید برای مشکل داده شده فرا رسیده است، استفاده شود.

فصل 8 کتاب Machine Learning on Kubernetes، ساخت یک پروژه کامل ML با استفاده از پلتفرم، یک پروژه معمولی ML و نحوه استفاده از هر جزء از پلتفرم در هر مرحله از چرخه عمر پروژه را تعریف می‌کند. این فصل نتایج و الزامات پروژه را تعریف می‌کند و بر چگونگی تسهیل چرخه عمر پروژه توسط پلتفرم MLOps تمرکز می‌کند.

فصل 9 کتاب Machine Learning on Kubernetes، ایجاد خط لوله داده شما، نشان می‌دهد که چگونه می‌توان از یک خوشه Spark برای جذب و پردازش داده‌ها استفاده کرد. این فصل نشان می‌دهد که چگونه پلتفرم به مهندس داده‌ها امکان می‌دهد داده‌های خام را از هر فضای ذخیره‌سازی بخواند، آن‌ها را پردازش کند و آن‌ها را در حافظه دیگری بنویسد.

تمرکز اصلی این است که نشان دهیم چگونه می‌توان یک کلاستر Spark را بر اساس تقاضا ایجاد کرد و چگونه بارهای کاری را می‌توان در یک محیط مشترک جدا کرد.

فصل 10 کتاب Machine Learning on Kubernetes، ساخت، استقرار و نظارت بر مدل شما، نشان می‌دهد که چگونه می‌توان از سرور JuyterHub برای ساخت، آموزش و تنظیم مدل‌ها بر روی پلتفرم استفاده کرد. این فصل نشان خواهد داد که چگونه پلتفرم دانشمند داده را قادر می‌سازد تا فعالیت‌های مدل‌سازی را به شیوه‌ای مستقل انجام دهد.

این فصل همچنین MLflow را به عنوان ردیابی آزمایش مدل و جزء رجیستری مدل معرفی می‌کند. اکنون شما یک مدل کار دارید، چگونه می‌خواهید این مدل را برای مصرف سایر تیم‌ها به اشتراک بگذارید؟ این فصل نشان خواهد داد که چگونه مؤلفه Seldon Core به غیر برنامه‌نویسان اجازه می‌دهد تا مدل‌های خود را به عنوان REST API در معرض نمایش بگذارند. خواهید دید که چگونه API های مستقر شده به طور خودکار با استفاده از قابلیت‌های Kubernetes کاهش می‌یابند.

فصل 11 کتاب Machine Learning on Kubernetes، یادگیری ماشین در Kubernetes، شما را با برخی از ایده‌های کلیدی آشنا می‌کند تا دانش خود را در مورد این موضوع بیشتر کنید. این فصل شناسایی موارد استفاده برای پلتفرم ML، عملیاتی کردن ML و اجرای بر روی Kubernetes را پوشش خواهد داد.

سرفصل‌های کتاب Machine Learning on Kubernetes:

• Contributors
• About the authors
• About the reviewers
• Preface
• Part 1: The Challenges of Adopting ML and Understanding MLOps (What and Why)
  • Chapter 1: Challenges in Machine Learning
  • Chapter 2: Understanding MLOps
  • Chapter 3: Exploring Kubernetes
• Part 2: The Building Blocks of an MLOps Platform and How to Build One on Kubernetes
  • Chapter 4: The Anatomy of a Machine Learning Platform
  • Chapter 5: Data Engineering
  • Chapter 6: Machine Learning Engineering
  • Chapter 7: Model Deployment and Automation
• Part 3: How to Use the MLOps Platform and Build a Full End-to-End Project Using the New Platform
  • Chapter 8: Building a Complete ML Project Using the Platform
  • Chapter 9: Building Your Data Pipeline
  • Chapter 10: Building, Deploying, and Monitoring Your Model
  • Chapter 11: Machine Learning on Kubernetes
• Other Books You May Enjoy

فایل کتاب Machine Learning on Kubernetes را می‌توانید پس از پرداخت، دریافت کنید.