Cargando…
MLOps - Kernkonzepte im Überblick
Viele Machine-Learning-Modelle, die in Unternehmen entwickelt werden, schaffen es aufgrund von organisatorischen und technischen Hürden nicht in den produktiven Betrieb. Dieses Buch zeigt Ihnen, wie Sie erprobte MLOps-Strategien einsetzen, um eine erfolgreiche DevOps-Umgebung für Ihre ML-Modelle a...
| Autores principales: | , , , , |
|---|---|
| Autor Corporativo: | |
| Formato: | Electrónico eBook |
| Idioma: | Inglés Alemán |
| Publicado: |
[Erscheinungsort nicht ermittelbar]
dpunkt
2021
|
| Edición: | 1st edition. |
| Temas: | |
| Acceso en línea: | Texto completo (Requiere registro previo con correo institucional) |
MARC
| LEADER | 00000nam a2200000M 4500 | ||
|---|---|---|---|
| 001 | OR_on1268119558 | ||
| 003 | OCoLC | ||
| 005 | 20231017213018.0 | ||
| 006 | m d | ||
| 007 | cr uuu---uuuuu | ||
| 008 | 210914s2021 mau o 000 0 eng d | ||
| 040 | |a GBVCP |b ger |e rda |c GBVCP | ||
| 029 | 1 | |a AU@ |b 000071520101 | |
| 035 | |a (OCoLC)1268119558 | ||
| 041 | |a eng |a ger | ||
| 049 | |a UAMI | ||
| 100 | 1 | |a Treveil, Mark |e VerfasserIn. |4 aut | |
| 245 | 1 | 0 | |a MLOps - Kernkonzepte im Überblick |c Treveil, Mark. |
| 250 | |a 1st edition. | ||
| 264 | 1 | |a [Erscheinungsort nicht ermittelbar] |b dpunkt |c 2021 | |
| 264 | 2 | |a Boston, MA |b Safari | |
| 300 | |a 1 online resource (204 pages) | ||
| 336 | |a Text |b txt |2 rdacontent | ||
| 337 | |a Computermedien |b c |2 rdamedia | ||
| 338 | |a Online-Ressource |b cr |2 rdacarrier | ||
| 500 | |a Online resource; Title from title page (viewed August 1, 2021). | ||
| 520 | |a Viele Machine-Learning-Modelle, die in Unternehmen entwickelt werden, schaffen es aufgrund von organisatorischen und technischen Hürden nicht in den produktiven Betrieb. Dieses Buch zeigt Ihnen, wie Sie erprobte MLOps-Strategien einsetzen, um eine erfolgreiche DevOps-Umgebung für Ihre ML-Modelle aufzubauen, sie kontinuierlich zu verbessern und langfristig zu warten. Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ihre ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen, die auf zahlreichen MLOps-Anwendungen auf der ganzen Welt basieren, geben neun ML-Experten wertvolle Einblicke in die fünf Schritte des Modelllebenszyklus - Build, Preproduction, Deployment,Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktlworkflow integriert werden können. | ||
| 590 | |a O'Reilly |b O'Reilly Online Learning: Academic/Public Library Edition | ||
| 650 | 4 | |a Electronic books ; local. | |
| 700 | 1 | |a Stenac, Clément |e VerfasserIn. |4 aut | |
| 700 | 1 | |a Omont, Nicolas |e VerfasserIn. |4 aut | |
| 700 | 1 | |a Lefèvre, Kenji |e VerfasserIn. |4 aut | |
| 700 | 1 | |a Phan, Du |e VerfasserIn. |4 aut | |
| 710 | 2 | |a Safari, an O'Reilly Media Company. |e MitwirkendeR. |4 ctb | |
| 856 | 4 | 0 | |u https://learning.oreilly.com/library/view/~/9781098129651/?ar |z Texto completo (Requiere registro previo con correo institucional) |
| 994 | |a 92 |b IZTAP | ||