書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn)

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn)

出版社：清華大學(xué)出版社出版時間：2023-08-01
開本： 其他 頁數(shù)： 400
中 圖 價:¥90.3(7.0折) 定價  ¥129.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn) 版權(quán)信息

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn) 本書特色

隨著人工智能和機(jī)器學(xué)習(xí)在許多行業(yè)中應(yīng)用得越來越普遍，對能夠?qū)I(yè)務(wù)需求轉(zhuǎn)化為機(jī)器學(xué)習(xí)解決方案并能夠設(shè)計機(jī)器學(xué)習(xí)技術(shù)平臺的機(jī)器學(xué)習(xí)解決方案架構(gòu)師的需求在不斷增加。本書旨在通過幫助人們學(xué)習(xí)機(jī)器學(xué)習(xí)概念、算法、系統(tǒng)架構(gòu)模式和機(jī)器學(xué)習(xí)工具來解決業(yè)務(wù)和技術(shù)挑戰(zhàn)，重點是企業(yè)環(huán)境中的大規(guī)模機(jī)器學(xué)習(xí)系統(tǒng)架構(gòu)和操作。

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn) 內(nèi)容簡介

《機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn)》詳細(xì)闡述了與機(jī)器學(xué)習(xí)平臺架構(gòu)相關(guān)的基本解決方案，主要包括機(jī)器學(xué)習(xí)和機(jī)器學(xué)習(xí)解決方案架構(gòu)，機(jī)器學(xué)習(xí)的業(yè)務(wù)用例，機(jī)器學(xué)習(xí)算法，機(jī)器學(xué)習(xí)的數(shù)據(jù)管理，開源機(jī)器學(xué)習(xí)庫，Kubernetes容器編排基礎(chǔ)設(shè)施管理，開源機(jī)器學(xué)習(xí)平臺，使用AWS機(jī)器學(xué)習(xí)服務(wù)構(gòu)建數(shù)據(jù)科學(xué)環(huán)境，使用AWS機(jī)器學(xué)習(xí)服務(wù)構(gòu)建企業(yè)機(jī)器學(xué)習(xí)架構(gòu)，高級機(jī)器學(xué)習(xí)工程，機(jī)器學(xué)習(xí)治理、偏差、可解釋性和隱私，使用人工智能服務(wù)和機(jī)器學(xué)習(xí)平臺構(gòu)建機(jī)器學(xué)習(xí)解決方案等內(nèi)容。此外，本書還提供了相應(yīng)的示例、代碼，以幫助讀者進(jìn)一步理解相關(guān)方案的實現(xiàn)過程。

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn) 目錄

第1篇 使用機(jī)器學(xué)習(xí)解決方案架構(gòu)解決業(yè)務(wù)挑戰(zhàn)
第1章 機(jī)器學(xué)習(xí)和機(jī)器學(xué)習(xí)解決方案架構(gòu) 3
1.1 人工智能和機(jī)器學(xué)習(xí)的定義 4
1.2 監(jiān)督機(jī)器學(xué)習(xí) 4
1.3 無監(jiān)督機(jī)器學(xué)習(xí) 6
1.4 強(qiáng)化學(xué)習(xí) 8
1.5 機(jī)器學(xué)習(xí)與傳統(tǒng)軟件 9
1.6 機(jī)器學(xué)習(xí)生命周期 11
1.6.1 業(yè)務(wù)理解和機(jī)器學(xué)習(xí)問題框架 13
1.6.2 數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備 13
1.6.3 模型訓(xùn)練和評估 14
1.6.4 模型部署 14
1.6.5 模型監(jiān)控 14
1.6.6 業(yè)務(wù)指標(biāo)跟蹤 15
1.7 機(jī)器學(xué)習(xí)的挑戰(zhàn) 15
1.8 機(jī)器學(xué)習(xí)解決方案架構(gòu) 16
1.8.1 業(yè)務(wù)理解和機(jī)器學(xué)習(xí)轉(zhuǎn)型 17
1.8.2 機(jī)器學(xué)習(xí)技術(shù)的識別和驗證 18
1.8.3 系統(tǒng)架構(gòu)設(shè)計與實現(xiàn) 18
1.8.4 機(jī)器學(xué)習(xí)平臺工作流自動化 19
1.8.5 安全性和合規(guī)性 19
1.9 小測試 20
1.10 小結(jié) 21
第2章 機(jī)器學(xué)習(xí)的業(yè)務(wù)用例 23
2.1 金融服務(wù)中的機(jī)器學(xué)習(xí)用例 23
2.1.1 資本市場前臺 24
2.1.2 資本市場后臺運營 28
2.1.3 風(fēng)險管理和欺詐檢測 31
2.2 媒體和娛樂領(lǐng)域的機(jī)器學(xué)習(xí)用例 38
2.2.1 內(nèi)容開發(fā)和制作 39
2.2.2 內(nèi)容管理和發(fā)現(xiàn) 39
2.2.3 內(nèi)容分發(fā)和客戶參與 40
2.3 醫(yī)療保健和生命科學(xué)領(lǐng)域的機(jī)器學(xué)習(xí)用例 41
2.3.1 醫(yī)學(xué)影像分析 42
2.3.2 藥物發(fā)現(xiàn) 43
2.3.3 醫(yī)療數(shù)據(jù)管理 44
2.4 制造業(yè)中的機(jī)器學(xué)習(xí)用例 45
2.4.1 工程和產(chǎn)品設(shè)計 46
2.4.2 制造運營—產(chǎn)品質(zhì)量和產(chǎn)量 47
2.4.3 制造運營—機(jī)器維護(hù) 47
2.5 零售業(yè)中的機(jī)器學(xué)習(xí)用例 48
2.5.1 產(chǎn)品搜索和發(fā)現(xiàn) 48
2.5.2 目標(biāo)市場營銷 49
2.5.3 情緒分析 50
2.5.4 產(chǎn)品需求預(yù)測 50
2.6 機(jī)器學(xué)習(xí)用例識別練習(xí) 51
2.7 小結(jié) 52
第2篇 機(jī)器學(xué)習(xí)的科學(xué)、工具和基礎(chǔ)設(shè)施平臺
第3章 機(jī)器學(xué)習(xí)算法 55
3.1 技術(shù)要求 55
3.2 機(jī)器學(xué)習(xí)的原理 56
3.3 機(jī)器學(xué)習(xí)算法概述 58
3.3.1 選擇機(jī)器學(xué)習(xí)算法時的注意事項 58
3.3.2 機(jī)器學(xué)習(xí)算法類型 59
3.4 分類和回歸問題的算法 59
3.4.1 線性回歸算法 59
3.4.2 邏輯回歸算法 60
3.4.3 決策樹算法 60
3.4.4 隨機(jī)森林算法 62
3.4.5 梯度提升機(jī)和XGBoost算法 64
3.4.6 K*近鄰算法 65
3.4.7 多層感知器網(wǎng)絡(luò) 65
3.4.8 聚類算法 68
3.4.9 K-means算法 68
3.5 時間序列分析算法 68
3.5.1 ARIMA算法 69
3.5.2 DeepAR算法 70
3.6 推薦算法 70
3.6.1 協(xié)同過濾算法 71
3.6.2 多臂老虎機(jī)/上下文老虎機(jī)算法 71
3.7 計算機(jī)視覺問題的算法 72
3.7.1 卷積神經(jīng)網(wǎng)絡(luò) 72
3.7.2 殘差網(wǎng)絡(luò) 73
3.8 自然語言處理問題的算法 74
3.8.1 Word2Vec 76
3.8.2 循環(huán)神經(jīng)網(wǎng)絡(luò)和長期短期記憶 77
3.8.3 BERT 78
3.8.4 GPT 82
3.8.5 潛在狄利克雷分配算法 82
3.8.6 生成模型 84
3.8.7 生成對抗網(wǎng)絡(luò) 84
3.9 動手練習(xí) 85
3.9.1 問題陳述 85
3.9.2 數(shù)據(jù)集描述 86
3.9.3 設(shè)置Jupyter Notebook環(huán)境 86
3.9.4 運行練習(xí) 88
3.10 小結(jié) 93
第4章 機(jī)器學(xué)習(xí)的數(shù)據(jù)管理 95
4.1 技術(shù)要求 95
4.2 機(jī)器學(xué)習(xí)的數(shù)據(jù)管理注意事項 96
4.3 機(jī)器學(xué)習(xí)的數(shù)據(jù)管理架構(gòu) 98
4.4 數(shù)據(jù)存儲和管理 100
4.4.1 數(shù)據(jù)湖 100
4.4.2 AWS Lake Formation 101
4.5 數(shù)據(jù)提取 102
4.5.1 決定數(shù)據(jù)提取工具時的注意事項 102
4.5.2 Kinesis Firehose 103
4.5.3 AWS Glue 104
4.5.4 AWS Lambda 105
4.6 數(shù)據(jù)目錄 105
4.6.1 采用數(shù)據(jù)目錄技術(shù)的關(guān)鍵考慮因素 105
4.6.2 AWS Glue目錄 106
4.7 數(shù)據(jù)處理 106
4.7.1 數(shù)據(jù)處理技術(shù)的關(guān)鍵要求 106
4.7.2 AWS Glue ETL 107
4.7.3 Amazon Elastic Map Reduce 107
4.7.4 AWS Lambda數(shù)據(jù)處理 107
4.8 數(shù)據(jù)版本控制 107
4.8.1 S3分區(qū) 108
4.8.2 專用數(shù)據(jù)版本工具 108
4.9 機(jī)器學(xué)習(xí)特征存儲 108
4.10 供客戶使用的數(shù)據(jù)服務(wù) 109
4.10.1 通過API使用 109
4.10.2 通過數(shù)據(jù)復(fù)制使用 109
4.11 數(shù)據(jù)管道 109
4.11.1 AWS Glue工作流 110
4.11.2 AWS步驟函數(shù) 110
4.12 身份驗證和授權(quán) 110
4.13 數(shù)據(jù)治理 111
4.14 動手練習(xí)—機(jī)器學(xué)習(xí)的數(shù)據(jù)管理 113
4.14.1 使用Lake Formation創(chuàng)建數(shù)據(jù)湖 114
4.14.2 創(chuàng)建數(shù)據(jù)提取管道 115
4.14.3 創(chuàng)建Glue目錄 116
4.14.4 在數(shù)據(jù)湖中發(fā)現(xiàn)和查詢數(shù)據(jù) 118
4.14.5 創(chuàng)建Amazon Glue ETL作業(yè)以處理機(jī)器學(xué)習(xí)數(shù)據(jù) 119
4.14.6 使用Glue工作流構(gòu)建數(shù)據(jù)管道 123
4.15 小結(jié) 124
第5章 開源機(jī)器學(xué)習(xí)庫 125
5.1 技術(shù)要求 125
5.2 開源機(jī)器學(xué)習(xí)庫的核心功能 126
5.3 了解scikit-learn機(jī)器學(xué)習(xí)庫 126
5.3.1 安裝scikit-learn 127
5.3.2 scikit-learn的核心組件 127
5.4 了解Apache Spark機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)庫 129
5.4.1 安裝Spark ML 131
5.4.2 Spark機(jī)器學(xué)習(xí)庫的核心組件 131
5.5 了解TensorFlow深度學(xué)習(xí)庫 134
5.5.1 安裝TensorFlow 136
5.5.2 TensorFlow的核心組件 136
5.6 動手練習(xí)—訓(xùn)練TensorFlow模型 138
5.7 了解PyTorch 深度學(xué)習(xí)庫 141
5.7.1 安裝PyTorch 141
5.7.2 PyTorch的核心組件 142
5.8 動手練習(xí)—構(gòu)建和訓(xùn)練PyTorch模型 143
5.9 小結(jié) 146
第6章 Kubernetes容器編排基礎(chǔ)設(shè)施管理 147
6.1 技術(shù)要求 147
6.2 容器介紹 147
6.3 Kubernetes概述和核心概念 149
6.4 Kubernetes網(wǎng)絡(luò) 156
6.4.1 Kubernetes網(wǎng)絡(luò)通信流程 156
6.4.2 從集群外部訪問Pod或服務(wù)的選項 158
6.4.3 服務(wù)網(wǎng)格 161
6.5 Kubernetes安全和訪問控制 163
6.5.1 網(wǎng)絡(luò)安全 163
6.5.2 API的身份驗證和授權(quán) 164
6.5.3 在Kubernetes上運行機(jī)器學(xué)習(xí)工作負(fù)載 168
6.6 動手練習(xí)—在AWS上構(gòu)建Kubernetes基礎(chǔ)設(shè)施 169
6.6.1 問題陳述 169
6.6.2 操作指導(dǎo) 169
6.7 小結(jié) 175
第3篇 企業(yè)機(jī)器學(xué)習(xí)平臺的技術(shù)架構(gòu)設(shè)計和監(jiān)管注意事項
第7章 開源機(jī)器學(xué)習(xí)平臺 179
7.1 技術(shù)要求 179
7.2 機(jī)器學(xué)習(xí)平臺的核心組件 179
7.3 用于構(gòu)建機(jī)器學(xué)習(xí)平臺的開源技術(shù) 180
7.3.1 將Kubeflow用于數(shù)據(jù)科學(xué)環(huán)境 181
7.3.2 搭建模型訓(xùn)練環(huán)境 184
7.3.3 使用模型注冊表注冊模型 186
7.3.4 MLflow模型注冊表 186
7.3.5 使用模型服務(wù)框架 188
7.3.6 Gunicorn和Flask推理引擎 188
7.3.7 TensorFlow Serving框架 189
7.3.8 TorchServe服務(wù)框架 191
7.3.9 KFServing框架 192
7.3.10 Seldon Core 194
7.3.11 自動化機(jī)器學(xué)習(xí)管道工作流程 197
7.3.12 Apache Airflow 197
7.3.13 Kubeflow Pipelines 199
7.4 動手練習(xí)—使用開源技術(shù)構(gòu)建數(shù)據(jù)科學(xué)架構(gòu) 201
7.4.1 第1部分—安裝Kubeflow 201
7.4.2 第2部分—跟蹤實驗和管理模型 206
7.4.3 第3部分—使用機(jī)器學(xué)習(xí)管道實現(xiàn)自動化 213
7.4.4 授予命名空間服務(wù)賬戶訪問Istio服務(wù)的權(quán)限 214
7.4.5 創(chuàng)建自動化管道 215
7.5 小結(jié) 225
第8章 使用AWS機(jī)器學(xué)習(xí)服務(wù)構(gòu)建數(shù)據(jù)科學(xué)環(huán)境 227
8.1 技術(shù)要求 227
8.2 使用SageMaker的數(shù)據(jù)科學(xué)環(huán)境架構(gòu) 228
8.2.1 SageMaker Studio 229
8.2.2 SageMaker Processing 230
8.2.3 SageMaker Training服務(wù) 232
8.2.4 SageMaker Tuning 233
8.2.5 SageMaker Experiments 234
8.2.6 SageMaker Hosting 234
8.3 動手練習(xí)—使用AWS服務(wù)構(gòu)建數(shù)據(jù)科學(xué)環(huán)境 235
8.3.1 問題陳述 235
8.3.2 數(shù)據(jù)集 235
8.3.3 操作步驟說明 235
8.3.4 設(shè)置SageMaker Studio 235
8.3.5 設(shè)置CodeCommit 237
8.3.6 在Jupyter Notebook中訓(xùn)練BERT模型 238
8.3.7 使用SageMaker Training服務(wù)訓(xùn)練BERT模型 244
8.3.8 部署模型 247
8.3.9 將源代碼保存到CodeCommit存儲庫 249
8.4 小結(jié) 249
第9章 使用AWS機(jī)器學(xué)習(xí)服務(wù)構(gòu)建企業(yè)機(jī)器學(xué)習(xí)架構(gòu) 251
9.1 技術(shù)要求 251
9.2 企業(yè)機(jī)器學(xué)習(xí)平臺的關(guān)鍵要求 252
9.3 企業(yè)機(jī)器學(xué)習(xí)架構(gòu)模式概述 253
9.4 模型訓(xùn)練環(huán)境 255
9.4.1 模型訓(xùn)練引擎 256
9.4.2 自動化支持 257
9.4.3 模型訓(xùn)練生命周期管理 259
9.5 模型托管環(huán)境深入研究 259
9.5.1 推理引擎 260
9.5.2 身份驗證和安全控制 263
9.5.3 監(jiān)控和日志記錄 264
9.6 為機(jī)器學(xué)習(xí)工作流采用機(jī)器學(xué)習(xí)運維架構(gòu) 264
9.6.1 機(jī)器學(xué)習(xí)運維架構(gòu)的組件 265
9.6.2 監(jiān)控和記錄 269
9.6.3 模型訓(xùn)練監(jiān)控 269
9.6.4 模型端點監(jiān)控 272
9.6.5 機(jī)器學(xué)習(xí)管道監(jiān)控 276
9.6.6 服務(wù)配置管理 277
9.7 動手練習(xí)—在AWS上構(gòu)建機(jī)器學(xué)習(xí)運維管道 281
9.7.1 為機(jī)器學(xué)習(xí)培訓(xùn)管道創(chuàng)建CloudFormation模板 282
9.7.2 為CodePipeline訓(xùn)練管道創(chuàng)建CloudFormation模板 285
9.7.3 通過事件啟動CodePipeline執(zhí)行 286
9.7.4 為機(jī)器學(xué)習(xí)部署管道創(chuàng)建CloudFormation模板 287
9.8 小結(jié) 290
第10章 高級機(jī)器學(xué)習(xí)工程 291
10.1 技術(shù)要求 291
10.2 通過分布式訓(xùn)練方式訓(xùn)練大規(guī)模模型 291
10.3 使用數(shù)據(jù)并行進(jìn)行分布式模型訓(xùn)練 293
10.3.1 參數(shù)服務(wù)器概述 294
10.3.2 在框架中實現(xiàn)參數(shù)服務(wù)器 295
10.3.3 AllReduce概述 296
10.3.4 在框架中實現(xiàn)AllReduce和Ring AllReduce 297
10.4 使用模型并行進(jìn)行分布式模型訓(xùn)練 298
10.4.1 樸素模型并行性概述 299
10.4.2 管道模型并行性概述 300
10.4.3 張量并行概述 302
10.4.4 實現(xiàn)模型并行訓(xùn)練 303
10.4.5 Megatron-LM概述 303
10.4.6 DeepSpeed概述 305
10.4.7 SageMaker分布式訓(xùn)練庫概述 306
10.5 實現(xiàn)低延遲模型推理 307
10.5.1 模型推理的工作原理和可優(yōu)化的機(jī)會 307
10.5.2 硬件加速 308
10.5.3 模型優(yōu)化 310
10.5.4 圖和算子優(yōu)化 312
10.5.5 模型編譯器 314
10.5.6 推理引擎優(yōu)化 315
10.6 動手練習(xí)—使用PyTorch運行分布式模型訓(xùn)練 316
10.6.1 修改訓(xùn)練腳本 316
10.6.2 修改train()函數(shù) 317
10.6.3 修改get_data_loader()函數(shù) 318
10.6.4 為多設(shè)備服務(wù)器結(jié)點添加多處理啟動支持 318
10.6.5 修改和運行啟動器notebook 318
10.7 小結(jié) 319
第11章 機(jī)器學(xué)習(xí)治理、偏差、可解釋性和隱私 321
11.1 技術(shù)要求 321
11.2 機(jī)器學(xué)習(xí)治理的定義和實施原因 322
11.2.1 圍繞模型風(fēng)險管理的監(jiān)管環(huán)境 322
11.2.2 機(jī)器學(xué)習(xí)模型風(fēng)險的常見原因 323
11.3 了解機(jī)器學(xué)習(xí)治理框架 324
11.4 了解機(jī)器學(xué)習(xí)偏差和可解釋性 325
11.4.1 偏差檢測和減少 325
11.4.2 機(jī)器學(xué)習(xí)可解釋性技術(shù) 327
11.4.3 LIME 327
11.4.4 SHAP 328
11.5 設(shè)計用于治理的機(jī)器學(xué)習(xí)平臺 329
11.5.1 數(shù)據(jù)和模型文檔 330
11.5.2 模型清單 331
11.5.3 模型監(jiān)控 332
11.5.4 變更管理控制 333
11.5.5 世系和可重復(fù)性 333
11.5.6 可觀察性和審計 333
11.5.7 安全和隱私保護(hù) 334
11.5.8 差分隱私 335
11.6 動手練習(xí)—檢測偏差、模型可解釋性和訓(xùn)練隱私保護(hù)模型 338
11.6.1 方案概述 338
11.6.2 檢測訓(xùn)練數(shù)據(jù)集中的偏差 339
11.6.3 解釋訓(xùn)練模型的特征重要性 342
11.6.4 訓(xùn)練隱私保護(hù)模型 343
11.7 小結(jié) 345
第12章 使用人工智能服務(wù)和機(jī)器學(xué)習(xí)平臺構(gòu)建機(jī)器學(xué)習(xí)解決方案 347
12.1 技術(shù)要求 347
12.2 人工智能服務(wù)的定義 348
12.3 AWS人工智能服務(wù)概述 348
12.3.1 Amazon Comprehend 349
12.3.2 Amazon Textract 351
12.3.3 Amazon Rekognition 352
12.3.4 Amazon Transcribe 354
12.3.5 Amazon Personalize 355
12.3.6 Amazon Lex 357
12.3.7 Amazon Kendra 358
12.3.8 針對機(jī)器學(xué)習(xí)用例評估AWS人工智能服務(wù) 359
12.4 使用人工智能服務(wù)構(gòu)建智能解決方案 360
12.4.1 自動化貸款文件驗證和數(shù)據(jù)提取 360
12.4.2 貸款文件分類工作流程 362
12.4.3 貸款數(shù)據(jù)處理流程 363
12.4.4 媒體處理和分析工作流程 363
12.4.5 電商產(chǎn)品推薦 365
12.4.6 通過智能搜索實現(xiàn)客戶自助服務(wù)自動化 367
12.5 為人工智能服務(wù)設(shè)計機(jī)器學(xué)習(xí)運維架構(gòu) 368
12.5.1 人工智能服務(wù)和機(jī)器學(xué)習(xí)運維的AWS賬戶設(shè)置策略 369
12.5.2 跨環(huán)境的代碼推廣 371
12.5.3 監(jiān)控人工智能服務(wù)的運營指標(biāo) 371
12.6 動手練習(xí)—使用人工智能服務(wù)運行機(jī)器學(xué)習(xí)任務(wù) 372
12.7 小結(jié) 376
展開全部

機(jī)器學(xué)習(xí)平臺架構(gòu)實戰(zhàn) 作者簡介

戴維·平是一位資深技術(shù)領(lǐng)導(dǎo)者，在技術(shù)和金融服務(wù)行業(yè)擁有超過25年的經(jīng)驗。他的技術(shù)重點領(lǐng)域包括云架構(gòu)、企業(yè)機(jī)器學(xué)習(xí)平臺設(shè)計、大規(guī)模的模型訓(xùn)練、智能文檔處理、智能媒體處理、智能搜索和數(shù)據(jù)平臺。他目前在AWS領(lǐng)導(dǎo)一個人工智能/機(jī)器學(xué)習(xí)解決方案架構(gòu)團(tuán)隊，幫助全球公司在AWS云中設(shè)計和構(gòu)建人工智能/機(jī)器學(xué)習(xí)解決方案。在加入AWS之前，David在Credit Suisse和JPMorgan擔(dān)任過多種高級技術(shù)領(lǐng)導(dǎo)職務(wù)。他的職業(yè)生涯始于英特爾的軟件工程師。David擁有康奈爾大學(xué)的工程學(xué)位。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服