Kapitel 14. MLOps und Machine Learning Engineering
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Eine der angesagtesten Berufsbezeichnungen im Jahr 2020 ist Machine Learning Engineer. Andere angesagte Berufsbezeichnungen sind Data Engineer, Data Scientist und Machine Learning Scientist. Auch wenn du ein DevOps-Spezialist sein kannst, ist DevOps eine Verhaltensweise, und die DevOps-Prinzipien können auf jedes Softwareprojekt angewendet werden, auch auf maschinelles Lernen. Werfen wir einen Blick auf die bewährten Methoden von DevOps: Continuous Integration, Continuous Delivery, Microservices, Infrastructure as Code, Monitoring und Logging sowie Kommunikation und Kollaboration. Was davon trifft nicht auf maschinelles Lernen zu?
Je komplexer ein Softwareentwicklungsprojekt ist, und maschinelles Lernen ist komplex, desto mehr brauchst du DevOps-Prinzipien. Gibt es ein besseres Beispiel für einen Microservice als eine API, die Vorhersagen für maschinelles Lernen macht? In diesem Kapitel geht es darum, wie man maschinelles Lernen professionell und wiederholbar mit einer DevOps-Mentalität umsetzt.
Was ist maschinelles Lernen?
Maschinelles Lernen ist eine Methode, bei der Algorithmen verwendet werden, um automatisch aus Daten zu lernen. Es gibt vier Haupttypen: überwachtes, halbüberwachtes, unüberwachtes und verstärktes Lernen.
Überwachtes maschinelles Lernen
Beim überwachten maschinellen Lernen ...
Get Python für DevOps now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
