Skip to Main Content
Implementierung von MLOps im Unternehmen
book

Implementierung von MLOps im Unternehmen

by Yaron Haviv, Noah Gift
September 2024
Intermediate to advanced content levelIntermediate to advanced
380 pages
10h 22m
German
O'Reilly Media, Inc.
Book available
Content preview from Implementierung von MLOps im Unternehmen

Kapitel 4. Arbeiten mit Daten und Feature Stores

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Beim maschinellen Lernen werden Daten in eine Vorhersagelogik umgewandelt. Daten sind für den Prozess unerlässlich, können aus vielen Quellen stammen und müssen verarbeitet werden, um sie nutzbar zu machen. Daher sind Datenmanagement und -verarbeitung die wichtigsten Komponenten des maschinellen Lernens. Daten können aus verschiedenen Quellen stammen:

Dateien

Daten, die in lokalen oder Cloud-Dateien gespeichert sind

Data Warehouses

Datenbanken mit historischen Datentransaktionen

Online-Datenbanken

SQL-, NoSQL-, Graph- oder Zeitreihendatenbanken mit aktuellen Transaktions- oder Anwendungsdaten

Datenströme

Zwischenspeicherung von Echtzeit-Ereignissen und Nachrichten (für die zuverlässige Weitergabe von Daten zwischen Diensten)

Online-Dienste

Jeder Cloud-Dienst, der wertvolle Daten liefern kann (dazu können soziale, finanzielle, staatliche und Nachrichtendienste gehören)

Eingehende Nachrichten

Asynchrone Nachrichten und Benachrichtigungen, die per E-Mail oder über einen anderen Nachrichtendienst (Slack, WhatsApp, Teams) eingehen können

Die Quelldaten werden verarbeitet und als Merkmale gespeichert, um sie für die Modellschulung und den Modellfluss zu verwenden. In vielen Fällen werden die Merkmale in zwei Speichersystemen gespeichert: eines für den Batch-Zugriff (Training, Batch-Vorhersage ...

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.
Start your free trial

You might also like

Praktische Auflösung von Entitäten

Praktische Auflösung von Entitäten

Michael Shearer
Maschinelles Lernen für hochriskante Anwendungen

Maschinelles Lernen für hochriskante Anwendungen

Patrick Hall, James Curtis, Parul Pandey
Zuverlässiges maschinelles Lernen

Zuverlässiges maschinelles Lernen

Cathy Chen, Niall Richard Murphy, Kranti Parisa, D. Sculley, Todd Underwood
Praktisches maschinelles Lernen für Computer Vision

Praktisches maschinelles Lernen für Computer Vision

Valliappa Lakshmanan, Martin Görner, Ryan Gillard

Publisher Resources

ISBN: 9781098184735Supplemental Content