کتاب MLOps with Red Hat OpenShift

کتاب MLOps with Red Hat OpenShift: A cloud-native approach to machine learning operations (MLOs با Red Hat OpenShift: یک رویکرد بومی ابری برای عملیات یادگیری ماشین) راهنمای پیشرفته‌ای است که اصول و شیوه‌های MLOps را در چارچوب Red Hat OpenShift، یک پلت‌فرم سازمانی پیشرو Kubernetes معرفی می‌کند. این کتاب کاوشی جامع در مورد استقرار، مدیریت و مقیاس‌بندی مدل‌های یادگیری ماشین در محیط‌های تولید با استفاده از فناوری‌های بومی ابری ارائه می‌دهد.

با استفاده از قابلیت‌های قوی Red Hat OpenShift، خوانندگان یاد می‌گیرند که کل چرخه زندگی یادگیری ماشین را، از توسعه مدل گرفته تا استقرار و نظارت، به شیوه‌ای مقیاس‌پذیر و قابل اعتماد هماهنگ کنند.

کتاب MLOps with Red Hat OpenShift با تمرکز بر بهترین شیوه‌ها برای همکاری بین دانشمندان داده، مهندسین یادگیری ماشین و تیم‌های عملیاتی، سازمان‌ها را با دانش و استراتژی‌هایی مجهز می‌کند تا بینش‌های تجاری و نوآوری را از طریق یادگیری ماشین هدایت کنند. چه دانشمند داده، مهندس DevOps یا متخصص فناوری اطلاعات باشید، این کتاب به عنوان یک همراه ارزشمند برای پیاده‌سازی MLOps در Red Hat OpenShift و تسریع در ارائه برنامه‌های یادگیری ماشین در محیط‌های ابری عمل می‌کند.

در ادامه مقدمه‌ای از کتاب MLOps with Red Hat OpenShift را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب MLOps with Red Hat OpenShift:

MLOps یا عملیات یادگیری ماشینی، همه چیز در مورد ساده کردن و هماهنگ کردن رقص پیچیده بین توسعه و استقرار مدل‌های یادگیری ماشین است. این مانند رهبر ارکستر‌کننده یک سمفونی است که جریانی یکپارچه از قلمرو خلاق علم داده به واقعیت قوی عملیات فناوری اطلاعات را تضمین می‌کند.

کتاب MLOps with Red Hat OpenShift یک رویکرد عملی برای پیاده‌سازی MLOps در پلتفرم Red Hat OpenShift را معرفی می‌کند. با ارائه مفاهیم کلیدی MLOps مانند آماده‌سازی داده‌ها، آموزش مدل، و بسته‌بندی و اتوماسیون استقرار شروع می‌شود. سپس یک نمای کلی از بلوک‌های ساختمان اصلی OpenShift – استقرار، پاد‌ها و اپراتور‌ها – ارائه می‌شود. هنگامی که اصول اولیه پوشش داده شد، کتاب به ارائه پلتفرم می‌پردازد و کاوش ما را در مورد گردش کار MLOps عمیق می‌کند.

در سراسر کتاب، Red Hat OpenShift Data Science (RHODS)، یک پلت فرم علم داده طراحی شده برای اجرا در OpenShift، استفاده شده است. شما ایجاد پروژه‌های ML، نوت بوک‌ها و خطوط لوله آموزشی و استقرار را با استفاده از RHODS تجربه خواهید کرد. این کتاب همچنین استفاده از مؤلفه‌های نرم‌افزار شریک را پوشش می‌دهد که پلتفرم RHODS را تکمیل می‌کنند، از جمله Pachyderm و Intel OpenVino.

تا پایان کتاب، درک کاملی از مفاهیم MLOps، بهترین شیوه‌ها و مهارت‌های مورد نیاز برای پیاده‌سازی گردش‌های کاری MLOps با Red Hat OpenShift Data Science در پلتفرم Red Hat OpenShift به دست خواهید آورد.

بیشتر بخوانید: کتاب Mastering MLOps Architecture

کتاب MLOps with Red Hat OpenShift برای چه کسی است؟

این کتاب برای مهندسین MLOps، مهندسان DevOps، معماران فناوری اطلاعات و دانشمندان داده است که می‌خواهند درک درستی از مفاهیم MLOps داشته باشند و علاقه‌مند به یادگیری پلتفرم Red Hat OpenShift Data Science هستند. درک اولیه OpenShift یا Kubernetes به درک بهتر عملکرد درونی تمرینات ارائه شده در این کتاب کمک می‌کند. دانش اولیه علم داده یا یادگیری ماشین و مهارت‌های کدنویسی پایتون نیز به شما کمک می‌کند تا بخش‌های علم داده تمرین‌ها را به آرامی انجام دهید.

آنچه کتاب MLOps with Red Hat OpenShift پوشش می‌دهد:

فصل ۱، مقدمه‌ای بر MLOps و OpenShift، با معرفی مختصری از MLOps و اصول اولیه Red Hat OpenShift شروع می‌شود. سپس در این فصل بحث می‌شود که چگونه OpenShift پروژه‌های یادگیری ماشین را فعال می‌کند و چگونه Red Hat OpenShift Data Science و محصولات نرم‌افزار شریک یک پلت‌فرم کامل MLOPS را تشکیل می‌دهند.

فصل ۲، تهیه یک پلتفرم MLOps در فضای ابری، شما را از طریق تهیه Red Hat OpenShift، Red Hat OpenShift Data Science و Pachyderm در ابر AWS راهنمایی می‌کند. این فصل حاوی دستورالعمل‌های گام به گام در مورد نحوه تهیه پلت فرم پایه MLOps است.

فصل ۳، ساخت مدل‌های یادگیری ماشین با OpenShift، با تنظیمات اولیه اجزای پلت‌فرم برای آماده‌سازی برای ساخت مدل شروع می‌شود. این فصل شما را در مراحل پیکربندی راهنمایی می‌کند و با مقدمه‌ای بر پروژه‌های علم داده، میز کار و نوت بوک Jupyter به پایان می‌رسد.

فصل ۴، مدیریت یک گردش کار آموزشی مدل، به پیکربندی پلت فرم که خطوط لوله OpenShift را برای ساخت خطوط لوله آموزشی مدل و استفاده از Pachyderm برای نسخه‌سازی داده را پوشش می‌دهد، عمیق‌تر می‌پردازد. در پایان فصل، شما یک مدل ML را با استفاده از یک خط لوله آموزشی که ایجاد کرده‌اید ساخته‌اید.

فصل ۵، استقرار مدل‌های ML به عنوان یک سرویس، مؤلفه سرویس دهی مدل پلت فرم را معرفی می‌کند. این فصل از کتاب MLOps with Red Hat OpenShift، شما را با نحوه بهبود بیشتر خط لوله برای خودکارسازی استقرار مدل‌های ML آشنا می‌کند.

فصل ۶، بار‌های کاری عملیاتی ML، در مورد جنبه‌های عملیاتی MLO‌ها صحبت می‌کند. این فصل بر ثبت و نظارت بر مدل‌های ML مستقر شده تمرکز دارد و به طور خلاصه درباره استراتژی‌هایی برای بهینه‌سازی هزینه‌های عملیاتی بحث می‌کند.

فصل ۷، ساختن یک آشکارساز چهره با استفاده از پلتفرم Red Hat ML، شما را در روند ساخت یک برنامه جدید با قابلیت هوش مصنوعی از انتها به انتها راهنمایی می‌کند. این فصل به شما کمک می‌کند تا دانش و مهارت‌هایی را که در فصل‌های قبلی به دست آورده‌اید، تمرین کنید.

این فصل از کتاب MLOps with Red Hat OpenShift، همچنین اینتل OpenVino را به عنوان گزینه دیگری برای ارائه مدل معرفی می‌کند. در پایان این فصل، شما یک برنامه وب با قابلیت هوش مصنوعی ساخته‌اید که روی OpenShift اجرا می‌شود و از همه ویژگی‌های Red Hat OpenShift Data Science استفاده می‌کنید.

سرفصل‌های کتاب MLOps with Red Hat OpenShift:

• MLOps with Red Hat OpenShift
• Contributors
• About the authors
• About the reviewers
• Preface
• Part 1: Introduction
  • Chapter 1: Introduction to MLOps and OpenShift
• Part 2: Provisioning and Configuration
  • Chapter 2: Provisioning an MLOps Platform in the Cloud
  • Chapter 3: Building Machine Learning Models with OpenShift
• Part 3: Operating ML Workloads
  • Chapter 4: Managing a Model Training Workflow
  • Chapter 5: Deploying ML Models as a Service
  • Chapter 6: Operating ML Workloads
  • Chapter 7: Building a Face Detector Using the Red Hat ML Platform
• Index
• Other Books You May Enjoy

جهت دانلود کتاب MLOps with Red Hat OpenShift می‌توانید پس از پرداخت، دریافت کنید.