作品简介

在大数据时代,机器学习(ML)在互联网领域取得了巨大的成功,数据应用也逐渐从“数据驱动”阶段向“模型驱动”阶段跃升,但这也给ML项目落地带来了更大的困难,为了适应时代的发展,MLOps应运而生。本书从多个方面介绍了MLOps实践路径,内容涵盖了设计、构建和部署由ML驱动的应用程序所需的各种实用技能。

本书适合数据科学家、软件工程师、ML工程师及希望学习如何更好地组织ML实验的研究人员阅读,可以帮助他们建立实用的MLOps实践框架。

李攀登,非参数统计硕士,AlgoLink(专注于MLOps研发与应用)的创始人,出海游戏公司博乐科技数据专家。曾任万达集团算法专家,蓝色光标算法团队负责人,Teradata资深数据挖掘工程师,亚信科技高级数据挖掘工程师。研究方向为机器学习、推荐系统、MLOps,拥有机器学习算法应用相关专利7项,MLOps专利2项,软件著作权1项。

作品目录

  • 推荐序
  • 前 言
  • 第1章 MLOps概述
  • 1.1 ML涉及的概念
  • 1.2 ML相关符号及术语定义
  • 1.3 ML的工程挑战与MLOps解决方案
  • 1.4 MLOps框架下的工程实践
  • 1.5 本章总结
  • 第2章 在MLOps框架下开展ML项目
  • 2.1 界定业务范围阶段
  • 2.2 研究与探索阶段
  • 2.3 模型开发阶段
  • 2.4 模型生产化阶段
  • 2.5 ML项目生命周期
  • 2.6 团队建设及分工
  • 2.7 本章总结
  • 第3章 MLOps的基础准备:模型开发
  • 3.1 背景概要
  • 3.2 定义ML目标
  • 3.3 数据收集
  • 3.4 数据预处理
  • 3.5 数据探索
  • 3.6 特征工程
  • 3.7 构建和评估模型
  • 3.8 持久化模型
  • 3.9 构建REST API
  • 3.10 模型投产
  • 3.11 本章总结
  • 第4章 ML与Ops之间的信息存储与传递机制
  • 4.1 ML实验跟踪
  • 4.2 A/B在线实验
  • 4.3 模型注册
  • 4.4 特征存储
  • 4.5 本章总结
  • 第5章 模型统一接口设计及模型打包
  • 5.1 ML模型基础接口概述
  • 5.2 业内一些常见的解决方案
  • 5.3 一个简单的ML模型接口示例
  • 5.4 ML项目打包
  • 5.5 本章总结
  • 第6章 在MLOps框架下规模化部署模型
  • 6.1 定义及挑战
  • 6.2 对业务的驱动逻辑
  • 6.3 常见的设计模式
  • 6.4 构建MLOps通用推理服务:模型即服务
  • 6.5 Web服务框架及应用生态
  • 6.6 基于Docker的模型应用程序部署
  • 6.7 模型即服务的自动化
  • 6.8 在MLOps框架下实现模型部署示例
  • 6.9 基于开源项目的模型服务解决方案
  • 6.10 本章总结
  • 第7章 MLOps框架下的模型发布及零停机模型更新
  • 7.1 ML在生产中的CI/CD
  • 7.2 模型服务的发布策略
  • 7.3 零停机更新模型服务
  • 7.4 本章总结
  • 第8章 MLOps框架下的模型监控与运维
  • 8.1 ML模型监控简介
  • 8.2 数据科学问题的监控
  • 8.3 运维问题的监控
  • 8.4 在MLOps框架内增加监控功能
  • 8.5 本章总结
  • 第9章 对MLOps的一些实践经验总结
  • 9.1 ML和MLOps平台比较
  • 9.2 自研MLOps平台
  • 9.3 MLOps架构的成熟度评估
  • 9.4 本章总结
展开全部