欧美肥妇毛多水多BBXX水蜜桃,中国国产av片,男女男精品免费视频网站

Kubeflow是基于K8S的機器學(xué)習(xí)工具包，是為數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師構(gòu)建生產(chǎn)級別的機器學(xué)習(xí)實現(xiàn)而設(shè)計的。本書采用循序漸進的方式，從 Kubeflow 的安裝、使用和設(shè)計開篇，隨后從模型訓(xùn)練的整個周期展開，涵蓋了數(shù)據(jù)探索、特征準(zhǔn)備、模型訓(xùn)練/調(diào)優(yōu)、模型服務(wù)、模型測試、模型監(jiān)測和模型版本管理等各個環(huán)節(jié)，既有相關(guān)的理論知識也囊括了真實的使用案例，能夠讓讀者在學(xué)習(xí) Kubeflow 知識的同時全面了解機器學(xué)習(xí)的相關(guān)知識，是入門和深入學(xué)習(xí)Kubeflow以及機器學(xué)習(xí)的良好指南。

本書的讀者對象是構(gòu)建機器學(xué)習(xí)系統(tǒng)或模型，并希望將之應(yīng)用到生產(chǎn)中的數(shù)據(jù)工程師和數(shù)據(jù)科學(xué)家。如果你曾經(jīng)訓(xùn)練過優(yōu)秀的模型，想要知道如何將模型部署到生產(chǎn)中或在將模型部署到生產(chǎn)后如何保持更新，那么本書就是為你準(zhǔn)備的。我們希望本書能給你提供工具來替換Untitled_5.ipynb并在生產(chǎn)環(huán)境中可靠地工作。
本書不打算從頭開始介紹機器學(xué)習(xí)。如果你剛開始機器學(xué)習(xí)之旅，可以參考下面列出的資源。
學(xué)習(xí)資源
我們的目標(biāo)是教你如何以可重復(fù)的方式進行機器學(xué)習(xí)，以及如何自動訓(xùn)練和部署模型。這里的一個重要問題是，該目標(biāo)包括廣泛的主題，并且你可能不完全熟悉所有的主題。
由于無法深入研究每一個主題，我們?yōu)槟闾峁┝艘粋€簡短的清單，列出了部分我們最喜歡的入門資料。
Python for Data Analysis, 2nd Edition, by Wes McKinney (O’Reilly)
Data Science from Scratch, 2nd Edition, by Joel Grus (O’Reilly)
Introduction to Machine Learning with Python by Andreas C. Müller and Sarah Guido (O’Reilly)
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly)
Kubernetes: Up and Running by Brendan Burns et al. (O’Reilly)
Learning Spark by Holden Karau et al. (O’Reilly)
Feature Engineering for Machine Learning by Alice Zheng and Amanda Casari (O’Reilly)
Building Machine Learning Pipelines by Hannes Hapke and Catherine Nelson (O’Reilly)
Apache Mahout: Beyond MapReduce by Dmitriy Lyubimov and Andrew Palumbo (CreateSpace)
R Cookbook, 2nd Edition, by J. D. Long and Paul Teetor (O’Reilly)
Serving Machine Learning Models by Boris Lublinsky (O’Reilly)
“Continuous Delivery for Machine Learning” (https://oreil.ly/y59_n) by Danilo Sato et al.
Interpretable Machine Learning (https://oreil.ly/hBiw1) by Christoph Molnar (self-published)
“A Gentle Introduction to Concept Drift in Machine Learning” (https://oreil.ly/KnJL0) by Jason Brownlee
“Model Drift and Ensuring a Healthy Machine Learning Lifecycle” (https://oreil.ly/q9o6P) by A. Besir Kurtulmus
“The Rise of the Model Servers” (https://oreil.ly/zvIyU) by Alex Vikati
“An Overview of Model Explainability in Modern Machine Learning” (https://oreil.ly/lo36s) by Rui Aguiar
Machine Learning with Python Cookbook by Chris Albon (O’Reilly)
“Machine Learning Flashcards” (https://machinelearningflashcards.com) by Chris Albon
學(xué)習(xí)Kubeflow繞不開容器和Kubernetes，容器和Kubernetes是一個廣泛的、快速發(fā)展的實踐領(lǐng)域。如果你想加深對它們的了解，我們推薦閱讀以下書籍：
Cloud Native Infrastructure by Justin Garrison and Kris Nova (O’Reilly)
Kubernetes: Up and Running by Brendan Burns et al. (O’Reilly)
從業(yè)人員的責(zé)任
本書可幫助你將機器學(xué)習(xí)模型投入生產(chǎn)，并用于解決實際問題。采用機器學(xué)習(xí)解決現(xiàn)實世界的問題固然很好，但你需要考慮其可能造成的影響。
首先，要確保模型足夠準(zhǔn)確，在Kubeflow中有很好的工具來實現(xiàn)這一點，詳見2.2節(jié)。即使是最好的工具也不能讓你免于所有的錯誤—例如，在同一數(shù)據(jù)集上進行超參調(diào)優(yōu)，并報告最終的交叉驗證結(jié)果。
即使是具有顯著預(yù)測能力的模型也會產(chǎn)生意外的影響和偏見，其在常規(guī)的訓(xùn)練評估階段可能并不會表現(xiàn)出來。無意的偏見可能很難發(fā)現(xiàn)，但這里有許多相關(guān)的反面案例（例如，基于Amazon機器學(xué)習(xí)的招聘引擎的結(jié)果有強烈的偏見，該結(jié)果導(dǎo)致只雇用男性（https://oreil.ly/VekPG）），這向我們展示了其潛在的深刻影響。未在早期解決這些問題可能會導(dǎo)致你前期的整個工作付之東流，IBM 停止使用面部識別程序（https://oreil.ly/WKUXl）的決定也證明了這一點，在執(zhí)法部門的面部識別程序中存在明顯的種族偏見之后，整個行業(yè)也出現(xiàn)了類似的停頓。
即使是看似不偏不倚的數(shù)據(jù)，如原始購買記錄，也可能會出現(xiàn)強烈的偏見，從而導(dǎo)致不正確的建議，甚至更糟。數(shù)據(jù)集是公開的、廣泛可用的，但這并不意味著它是無偏見的。眾所周知的詞嵌入（https://oreil.ly/1dmOV）已經(jīng)被證明有許多類型的偏見，包括性別歧視和反移民等。當(dāng)查看一個新的數(shù)據(jù)集時，尋找數(shù)據(jù)中存在偏見的例子并試圖盡可能地減少它們是至關(guān)重要的。對于最流行的公共數(shù)據(jù)集，研究中經(jīng)常會討論相關(guān)的各種技術(shù)，你可以用這些技術(shù)來作為指導(dǎo)。
雖然本書中沒有解決偏見的工具，但我們鼓勵你對系統(tǒng)中潛在的偏見進行批判性思考，并在投入生產(chǎn)之前探索解決方案。如果你不知道從哪里開始，可以查看Katharine Jarmul出色的演講（https://oreil.ly/fiVYL）。IBM在其AI Fairness 360開源工具包（http://aif360.mybluemix.net）中收集了一系列工具和例子，也可以為探索提供參考。減少模型中的偏見的關(guān)鍵步驟是擁有一個多元化的團隊，以求盡早發(fā)現(xiàn)潛在的問題。正如Jeff Dean（https://oreil.ly/PJNsF）所說：“人工智能充滿了希望，并具有革新現(xiàn)代社會眾多領(lǐng)域的潛力。為了釋放其真正的潛力，我們的領(lǐng)域需要歡迎所有人。從今天的情況來看，肯定還不是這樣。我們的領(lǐng)域有一個問題，那就是缺乏包容性�！�
需要注意的是，消除偏見或驗證結(jié)果的準(zhǔn)確度并不是一勞永逸的，模型的性能會隨著時間的推移而降低，偏見也會被引入—即使你沒有修改任何事物。
排版約定
本書中使用以下排版約定：
斜體（Italic）
表示新的術(shù)語、URL、電子郵件地址、文件名和文件擴展名。
等寬字體（Constant width）
用于程序清單，以及段落中的程序元素，例如變量名、函數(shù)名、數(shù)據(jù)庫、數(shù)據(jù)類型、環(huán)境變量、語句以及關(guān)鍵字。
等寬粗體（Constant width bold）
表示應(yīng)由用戶直接輸入的命令或其他文本。
等寬斜體（Constant width italic）
表示應(yīng)由用戶提供的值或由上下文確定的值替換的文本。
該圖示表示提示或建議。
該圖示表示一般性說明。
該圖示表示警告或注意。
示例代碼
可以從https://oreil.ly/Kubeflow_for_ML下載補充材料（示例代碼、練習(xí)、勘誤等）。
你可能還會發(fā)現(xiàn)在其他許可下有用的示例代碼。Kubeflow項目有一個示例倉庫（https://oreil.ly/yslNT），在寫本書時，它采用Apache 2許可。Canonical還有MicroK8s用戶可能特別感興趣的一系列資源（https://oreil.ly/TOt_E）。
這里的代碼是為了幫助你更好地理解本書的內(nèi)容。通常，可以在程序或文檔中使用本書中的代碼，而不需要聯(lián)系O’Reilly獲得許可，除非需要大段地復(fù)制代碼。例如，使用本書中所提供的幾個代碼片段來編寫一個程序不需要得到我們的許可，但銷售或發(fā)布O’Reilly的示例代碼則需要獲得許可。引用本書的示例代碼來回答問題也不需要許可，將本書中的很大一部分示例代碼放到自己的產(chǎn)品文檔中則需要獲得許可。
非常歡迎讀者使用本書中的代碼，希望（但不強制）注明出處。注明出處的形式包含書名、作者、出版社和ISBN，例如：
Kubeflow for Machine Learning，作者Holden Karau, Trevor Grant, Boris Lublinsky, Richard Liu和Ilan Filonenko，由O’Reilly出版，書號978-1-492-05012-4。
如果讀者覺得對示例代碼的使用超出了上面所給出的許可范圍，歡迎通過permission@oreilly.com聯(lián)系我們。
O’Reilly在線學(xué)習(xí)平臺（O’Reilly Online Learning）
40多年來，O’Reilly Media致力于提供技術(shù)和商業(yè)培訓(xùn)、知識和卓越見解，來幫助眾多公司取得成功。
我們擁有獨一無二的專家和革新者組成的龐大網(wǎng)絡(luò)，他們通過圖書、文章、會議和我們的在線學(xué)習(xí)平臺分享他們的知識和經(jīng)驗。O’Reilly的在線學(xué)習(xí)平臺允許你按需訪問現(xiàn)場培訓(xùn)課程、深入的學(xué)習(xí)路徑、交互式編程環(huán)境，以及O’Reilly和200多家其他出版商提供的大量文本和視頻資源。有關(guān)的更多信息，請訪問http://oreilly.com。
如何聯(lián)系作者
如有反饋，請發(fā)郵件至intro-to-ml-kubeflow@googlegroups.com。關(guān)于 Kubeflow 相關(guān)的任何交流，請在線關(guān)注我們。
Trevor
Twitter (https://twitter.com/rawkintrevo)
Blog (https://rawkintrevo.org)
GitHub (https://github.com/rawkintrevo)
Myspace (https://myspace.com/rawkintrevo)
Holden
Twitter (http://twitter.com/holdenkarau)
YouTube (https://www.youtube.com/user/holdenkarau)
Twitch (https://www.twitch.tv/holdenkarau)
LinkedIn (https://www.linkedin.com/in/holdenkarau)
Blog (http://blog.holdenkarau.com)
GitHub (https://github.com/holdenk)
Facebook (https://www.facebook.com/hkarau)
Boris
LinkedIn (https://www.linkedin.com/in/boris-lublinsky-b6a4a/)
GitHub (https://github.com/blublinsky)
Richard
GitHub (https://github.com/richardsliu)
Ilan
LinkedIn (https://www.linkedin.com/in/ifilonenko)
GitHub (https://github.com/ifilonenko)
如何聯(lián)系我們
對于本書，如果有任何意見或疑問，請按照以下地址聯(lián)系本書出版商。
美國：
O’Reilly Media，Inc.
1005 Gravenstein Highway North
Sebastopol，CA 95472
中國：
北京市西城區(qū)西直門南大街2號成銘大廈C座807室（100035）
奧萊利技術(shù)咨詢（北京）有限公司
要詢問技術(shù)問題或?qū)Ρ緯岢鼋ㄗh，請發(fā)送電子郵件至bookquestions@oreilly.com。
本書配套網(wǎng)站https://oreil.ly/Kubeflow_for_Machine_Learning上列出了勘誤表、示例以及其他信息。
關(guān)于書籍、課程、會議和新聞的更多信息，請訪問我們的網(wǎng)站http://oreilly.com。
我們在Facebook上的地址：http://facebook.com/oreilly
我們在Twitter上的地址：http://twitter.com/oreillymedia
我們在YouTube上的地址：http://

序言 1
前言 3
第1章 Kubeflow及其適用對象 13
1.1 模型開發(fā)生命周期 13
1.2 Kubeflow 適合什么場景 14
1.3 為什么需要容器化 14
1.4 為什么需要 Kubernetes 15
1.5 Kubeflow的設(shè)計和核心組件 15
1.6 Kubeflow的替代方案 19
1.7 案例研究 21
1.8 總結(jié) 22
第2章你好，Kubeflow 24
2.1 搭建Kubeflow 24
2.2 訓(xùn)練和部署模型 30
2.3 超越本地部署 34
2.4 總結(jié) 34
第3章 Kubeflow設(shè)計：超越基礎(chǔ) 35
3.1 中央儀表盤 36
3.2 支持組件 43
3.3 總結(jié) 50
第4章 Kubeflow Pipeline 51
4.1 Pipeline入門 51
4.2 Kubeflow Pipeline組件介紹 60
4.3 Pipeline高級主題 68
4.4 總結(jié) 72
第5章數(shù)據(jù)準(zhǔn)備和特征準(zhǔn)備 73
5.1 選擇正確的工具 74
5.2 本地數(shù)據(jù)準(zhǔn)備和特征準(zhǔn)備 74
5.3 分布式工具 78
5.4 將其整合到一個Pipeline中 92
5.5 將整個notebook作為數(shù)據(jù)準(zhǔn)備Pipeline階段使用 94
5.6 總結(jié) 95
第6章制品和元數(shù)據(jù)存儲 96
6.1 Kubeflow ML Metadata 97
6.2 基于Kubeflow的MLflow元數(shù)據(jù)工具 102
6.3 總結(jié) 110
第7章訓(xùn)練機器學(xué)習(xí)模型 111
7.1 用TensorFlow構(gòu)建推薦器 111
7.2 部署TensorFlow訓(xùn)練作業(yè) 117
7.3 分布式訓(xùn)練 120
7.4 使用scikit-learn訓(xùn)練模型 125
7.5 總結(jié) 132
第8章模型推斷 133
8.1 模型服務(wù) 133
8.2 模型監(jiān)控 136
8.3 模型更新 137
8.4 推理要求概述 138
8.5 Kubeflow中的模型推理 138
8.6 TensorFlow Serving 139
8.7 Seldon Core 143
8.8 KFServing 158
8.9 總結(jié) 174
第9章多工具使用案例 175
9.1 CT掃描去噪示例 175
9.2 共享Pipeline 186
9.3 總結(jié) 186
第10章超參調(diào)優(yōu)和自動化機器學(xué)習(xí) 187
10.1 AutoML概述 187
10.2 使用Kubeflow Katib進行超參調(diào)優(yōu) 188
10.3 Katib概念 189
10.4 安裝Katib 191
10.5 運行第一個Katib實驗 192
10.6 調(diào)優(yōu)分布式訓(xùn)練作業(yè) 200
10.7 神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索 201
10.8 Katib的優(yōu)勢 204
10.9 總結(jié) 205
附錄A Argo執(zhí)行器配置和權(quán)衡 207
附錄B 特定于云的工具和配置 208
附錄C 在應(yīng)用程序中使用模型服務(wù) 210

你還可能感興趣

我要評論