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 9. Lösungen für erweiterte Datentypen

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

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 ...

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