Implementierung von MLOps im Unternehmen

Kapitel 9. Lösungen für erweiterte Datentypen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Dieses Kapitel befasst sich mit den Feinheiten der Datenanalyse und -interpretation und konzentriert sich auf moderne Techniken und Ansätze in den Bereichen Zeitreihenanalyse, NLP, Video und Bildklassifizierung. Es zielt darauf ab, fortgeschrittene Datentypen und ihreAnwendungen zur Lösung komplexer Probleme sowohl für erfahrene Datenwissenschaftler/innen als auch für Anfänger/innen umfassend zu diskutieren.

In diesem Kapitel geht es um die Herausforderungen und Möglichkeiten bei der Datenverarbeitung und Modellauswahl, insbesondere bei Zeitreihendaten. Wir erforschen verschiedene Arten von Lösungen, wägen die Kompromisse ab und erörtern spezifische Überlegungen im Bereich MLOps. Wir weiten unseren Blick auf verschiedene Plattformen wie AWS, GCP, Hugging Face und Apples CreateML. Jede Plattform bietet ein einzigartiges Angebot an Tools und Diensten, die den unterschiedlichen Bedürfnissen und Vorlieben gerecht werden können. Mit einem unvoreingenommenen Vergleich dieser Plattformen und der Erörterung ihrer Vor- und Nachteile wollen wir dir helfen, eine fundierte Entscheidung zu treffen.

Um einen Eindruck von der Vielfalt der Datentypen zu bekommen, die MLOps-Entwickler verwenden, schau dir die CreateML-Oberfläche von Apple in Abbildung 9-1 an. Wie in der Abbildung zu sehen ist, gibt es Kategorien für ...