book

Construir Pipelines de Aprendizaje Automático

Name: Construir Pipelines de Aprendizaje Automático
ISBN: 9781098197230

by Hannes Hapke, Catherine Nelson

September 2024

Intermediate to advanced

366 pages

9h 58m

Spanish

O'Reilly Media, Inc.

Read now

Unlock full access

Prólogo
Prefacio
¿Qué son los conductos de aprendizaje automático?¿A quién va dirigido este libro?¿Por qué TensorFlow y TensorFlow Extended?Resumen de los capítulosConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
1. Introducción
¿Por qué tuberías de aprendizaje automático?Cuándo pensar en tuberías de aprendizaje automáticoVisión general de los pasos de un proceso de aprendizaje automáticoIngestión y versionado de datosValidación de datosPreprocesamiento de datosEntrenamiento y ajuste del modeloAnálisis de modelosVersionado de modelosImplementación de modelosBucles de realimentaciónProtección de datosOrquestación de tuberías¿Por qué orquestación de canalizaciones?Grafos acíclicos dirigidosNuestro Proyecto EjemploEstructura del proyectoNuestro modelo de aprendizaje automáticoObjetivo del Proyecto EjemploResumen
2. Introducción a TensorFlow Extended
¿Qué es el TFX?Instalación del TFXVisión general de los componentes del TFX¿Qué son los metadatos ML?Tuberías interactivasAlternativas a TFXIntroducción a Apache BeamConfigurarCanalización básica de datosEjecutar tu pipeline básicoResumen
3. Ingestión de datos
Conceptos para la ingestión de datosIngesta de archivos de datos localesIngesta de archivos de datos remotosIngesta de datos directamente desde bases de datosPreparación de datosDividir conjuntos de datosAbarcar conjuntos de datosVersionar conjuntos de datosEstrategias de ingestiónDatos estructuradosDatos de texto para problemas de lenguaje naturalDatos de imagen para problemas de visión por ordenadorResumen
4. Validación de datos
¿Por qué validar los datos?TFDVInstalaciónGenerar estadísticas a partir de tus datosGenerar un esquema a partir de tus datosReconocer los problemas en tus datosComparar conjuntos de datosActualizar el esquemaDesviación y deriva de los datosConjuntos de datos sesgadosTrocear datos en TFDVProcesamiento de grandes conjuntos de datos con GCPIntegrar el TFDV en tu proceso de aprendizaje automáticoResumen
5. Preprocesamiento de datos
¿Por qué el Preprocesamiento de Datos?Preprocesamiento de los datos en el contexto de todo el conjunto de datosEscalar los pasos del preprocesamientoEvitar un sesgo de servicio a la formaciónImplementación de los pasos de preprocesamiento y del modelo de ML como un único artefactoComprobar los resultados del preprocesamiento en tu pipelinePreprocesamiento de datos con TFTInstalaciónEstrategias de preprocesamientoBuenas prácticasFunciones TFTEjecución autónoma del TFTIntegra la TFT en tu canal de aprendizaje automáticoResumen
6. Formación de modelos
Definición del modelo para nuestro proyecto de ejemploEl Componente Entrenador TFXFunción run_fn()Ejecutar el componente EntrenadorOtras consideraciones sobre los componentes del entrenadorUso de TensorBoard en una tubería interactivaEstrategias de distribuciónAjuste del modeloEstrategias de ajuste de hiperparámetrosAjuste de hiperparámetros en las tuberías TFXResumen
7. Análisis y validación del modelo
Cómo analizar tu modeloMétricas de clasificaciónMétricas de regresiónAnálisis del modelo TensorFlowAnalizar un único modelo en TFMAAnalizar varios modelos en TFMAAnálisis del modelo para la equidadRebanar las predicciones del modelo en TFMAComprobación de los Umbrales de Decisión con Indicadores de EquidadProfundizar con la herramienta Y si...Explicabilidad del modeloGenerar explicaciones con la WITOtras técnicas de explicabilidadAnálisis y validación en TFXNodoResolverComponente EvaluadorValidación en el componente evaluadorComponente Empujador TFXResumen
8. Implementación de modelos con TensorFlow Serving
Un servidor de modelos sencilloLos inconvenientes de las Implementaciones de Modelos con APIs basadas en PythonFalta de separación de códigosFalta de control de la versión del modeloInferencia ineficaz del modeloTensorFlow SirviendoVisión general de la arquitectura de TensorFlowExportación de modelos para TensorFlow ServingFirmas modeloInspeccionar modelos exportadosConfiguración del servidor TensorFlowInstalación de DockerInstalación nativa de UbuntuConstruir servidores TensorFlow a partir de la fuenteConfigurar un servidor TensorFlowREST frente a gRPCHacer predicciones desde el Servidor de ModelosObtener predicciones del modelo mediante RESTUso de TensorFlow Serving mediante gRPCModelo de pruebas A/B con TensorFlow ServingSolicitar metadatos del modelo al servidor del modeloSolicitudes REST de metadatos del modeloSolicitudes gRPC de metadatos del modeloSolicitudes de inferencia por lotesConfigurar predicciones por lotesOtras optimizaciones de servicio de TensorFlowAlternativas a TensorFlow ServingBentoMLSeldonGraphPipeServidor TensorFlow simpleMLflowRay ServirImplementación con proveedores en la nubeCasos prácticosEjemplo de Implementación con GCPImplementación de modelos con tuberías TFXResumen

9. Implementaciones avanzadas de modelos con TensorFlow Serving
Desacoplamiento de los ciclos de ImplementaciónResumen del flujo de trabajoOptimización de la carga de modelos a distanciaOptimizaciones del modelo para ImplementacionesCuantizaciónPodaDestilaciónUso de TensorRT con TensorFlow ServingTFLitePasos para optimizar tu modelo con TFLiteServir modelos TFLite con TensorFlow ServingMonitoreo de tus instancias servidoras de TensorFlowConfiguración de PrometheusConfiguración del servidor TensorFlowEscalado sencillo con TensorFlow Serving y KubernetesResumen
10. TensorFlow avanzado ampliado
Conceptos avanzados de tuberíasEntrenar varios modelos simultáneamenteExportar modelos TFLiteEntrenamiento con modelos de arranque en calienteHumano en el bucleConfiguración del componente SlackCómo utilizar el componente SlackComponentes TFX personalizadosCasos de uso de los componentes personalizadosEscribir un componente personalizado desde ceroReutilización de componentes existentesResumen
11. Pipelines Parte 1: Apache Beam y Apache Airflow
¿Qué herramienta de orquestación elegir?Apache BeamFlujo de aire ApacheTuberías KubeflowTuberías Kubeflow en la plataforma de IAConvertir tu tubería interactiva TFX en una tubería de producciónConversión interactiva sencilla de tuberías para el haz y el flujo de aireIntroducción a Apache BeamOrquestando Pipelines TFX con Apache BeamIntroducción a Apache AirflowInstalación y configuración inicialEjemplo básico de flujo de aireOrquestando Pipelines TFX con Apache AirflowConfiguración de la tuberíaEjecución de la tuberíaResumen
12. Canalizaciones Parte 2: Canalizaciones Kubeflow
Introducción a las tuberías KubeflowInstalación y configuración inicialAcceder a tu instalación de tuberías KubeflowOrquestar tuberías TFX con tuberías KubeflowConfiguración de la tuberíaEjecutar la canalizaciónCaracterísticas útiles de las tuberías KubeflowPipelines basados en Google Cloud AI PlatformConfiguración de la tuberíaConfiguración de la tubería TFXEjecución de la tuberíaResumen
13. Bucles de realimentación
Retroalimentación explícita e implícitaEl volante de datosBucles de realimentación en el mundo realPatrones de diseño para recoger opinionesLos usuarios realizan alguna acción como resultado de la predicciónLos usuarios valoran la calidad de la predicciónLos usuarios corrigen la predicciónCrowdsourcing de las anotacionesAnotaciones de expertosProducir reacciones automáticamenteCómo seguir los bucles de retroalimentaciónSeguimiento de la retroalimentación explícitaSeguimiento de la retroalimentación implícitaResumen
14. Privacidad de datos para el aprendizaje automático
Cuestiones de privacidad de datos¿Por qué nos preocupa la privacidad de los datos?La forma más sencilla de aumentar la privacidad¿Qué datos deben mantenerse privados?Privacidad diferencialPrivacidad diferencial local y globalEpsilon, Delta y el presupuesto de privacidadPrivacidad diferencial para el aprendizaje automáticoIntroducción a la privacidad de TensorFlowEntrenamiento con un optimizador diferencialmente privadoCálculo del épsilonAprendizaje FederadoAprendizaje federado en TensorFlowAprendizaje automático encriptadoEntrenamiento con modelos encriptadosConvertir un modelo entrenado para servir predicciones encriptadasOtros métodos para la privacidad de los datosResumen
15. El futuro de los oleoductos y los próximos pasos
Seguimiento de experimentos con modelosReflexiones sobre la gestión de la liberación de modelosCapacidades futuras del oleoductoTFX con otros marcos de aprendizaje automáticoProbar modelos de aprendizaje automáticoSistemas CI/CD para el aprendizaje automáticoComunidad de Ingeniería de Aprendizaje AutomáticoResumen
A. Introducción a la infraestructura para el aprendizaje automático
¿Qué es un contenedor?Introducción a DockerIntroducción a las imágenes DockerCrear tu primera imagen DockerSumergirse en la CLI de DockerIntroducción a KubernetesAlgunas definiciones de KubernetesPrimeros pasos con Minikube y kubectlInteractuar con la CLI de KubernetesDefinir un recurso de KubernetesImplementación de aplicaciones en Kubernetes
B. Configuración de un clúster de Kubernetes en Google Cloud
Antes de empezarKubernetes en la nube de GoogleSeleccionar un proyecto de Google CloudConfigurar tu proyecto de Google CloudCrear un clúster de KubernetesCómo acceder a tu clúster de Kubernetes con kubectlCómo utilizar tu clúster de Kubernetes con kubectlConfiguración de volúmenes persistentes para tuberías Kubeflow
C. Consejos para el funcionamiento de las tuberías Kubeflow
Imágenes TFX personalizadasIntercambiar datos mediante volúmenes persistentesInterfaz de línea de comandos TFXTFX y sus dependenciasPlantillas TFXPublicar tu pipeline con TFX CLI
Índice

Overview

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Las empresas gastan miles de millones en proyectos de aprendizaje automático, pero es dinero perdido si los modelos no pueden desplegarse eficazmente. En esta guía práctica, Hannes Hapke y Catherine Nelson te guiarán a través de los pasos para automatizar una canalización de aprendizaje automático utilizando el ecosistema TensorFlow. Aprenderás las técnicas y herramientas que reducirán el tiempo de despliegue de días a minutos, para que puedas centrarte en desarrollar nuevos modelos en lugar de mantener sistemas heredados.

Los científicos de datos, los ingenieros de aprendizaje automático y los ingenieros DevOps descubrirán cómo ir más allá del desarrollo de modelos para productivizar con éxito sus proyectos de ciencia de datos, mientras que los directivos comprenderán mejor el papel que desempeñan para ayudar a acelerar estos proyectos.

Comprender los pasos para construir un pipeline de aprendizaje automático
Construye tu pipeline utilizando componentes de TensorFlow Extended
Orquestar tu pipeline de aprendizaje automático con Apache Beam, Apache Airflow y Kubeflow Pipelines
Trabaja con datos utilizando TensorFlow Data Validation y TensorFlow Transform
Analiza un modelo en detalle con el Análisis de Modelos TensorFlow
Examina la equidad y el sesgo en el rendimiento de tu modelo
Despliega modelos con TensorFlow Serving o TensorFlow Lite para dispositivos móviles
Aprende técnicas de aprendizaje automático para preservar la privacidad

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Equipos eficaces de aprendizaje automático

Publisher Resources

ISBN: 9781098197230

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills