Aufbau von Pipelines für maschinelles Lernen

Unternehmen geben Milliarden für Machine-Learning-Projekte aus, aber das ist verschwendetes Geld, wenn die Modelle nicht effektiv eingesetzt werden können. In diesem praktischen Leitfaden führen dich Hannes Hapke und Catherine Nelson durch die Schritte zur Automatisierung einer Machine Learning Pipeline mit dem TensorFlow Ökosystem. Du lernst die Techniken und Werkzeuge kennen, mit denen du die Bereitstellungszeit von Tagen auf Minuten verkürzen kannst, damit du dich auf die Entwicklung neuer Modelle konzentrieren kannst, anstatt Altsysteme zu warten.

Data Scientists, Machine-Learning-Ingenieure und DevOps-Ingenieure erfahren, wie sie über die Modellentwicklung hinaus ihre Data-Science-Projekte erfolgreich produktiv machen können, während Manager besser verstehen, welche Rolle sie bei der Beschleunigung dieser Projekte spielen.

• Verstehe die Schritte zum Aufbau einer Pipeline für maschinelles Lernen
• Baue deine Pipeline mit Komponenten von TensorFlow Extended
• Orchestrierung deiner Machine Learning Pipeline mit Apache Beam, Apache Airflow und Kubeflow Pipelines
• Arbeite mit Daten mit TensorFlow Data Validation und TensorFlow Transform
• Analysiere ein Modell im Detail mit TensorFlow Model Analysis
• Untersuche Fairness und Verzerrungen in deiner Modellleistung
• Setzen Sie Modelle mit TensorFlow Serving oder TensorFlow Lite für mobile Geräte ein
• Lerne Techniken zum Schutz der Privatsphäre beim maschinellen Lernen