Python mit Ray skalieren

Kapitel 10. Wie Ray das maschinelle Lernen antreibt

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

Du hast jetzt ein solides Verständnis von allem, was du in Ray brauchst, um deine Daten für das Training von ML-Modellen vorzubereiten. In diesem Kapitel lernst du, wie du die beliebten Ray-Bibliotheken scikit-learn, XGBoost und PyTorch verwendest. Dieses Kapitel soll keine Einführung in diese Bibliotheken sein. Wenn du also mit einer dieser Bibliotheken nicht vertraut bist, solltest du dir eine aussuchen (wir empfehlen scikit-learn), in die du dich zuerst einlesen möchtest. Auch für diejenigen, die mit diesen Bibliotheken vertraut sind, ist es von Vorteil, wenn du dein Gedächtnis auffrischst, indem du die Dokumentationen deiner Lieblingstools konsultierst. In diesem Kapitel geht es darum, wie Ray für ML eingesetzt wird, und nicht um ein Tutorial zu ML.

Hinweis

Wenn du tiefer in ML mit Ray einsteigen möchtest, ist Learning Ray von Max Pumperla et al. (O'Reilly) ein umfassendes Buch, das sich auf ML mit Ray konzentriert und deine ML-Kenntnisse erweitern kann.

Ray hat zwei integrierte Bibliotheken für ML. Du lernst, wie du Rays Reinforcement-Learning-Bibliothek RLlib mit TensorFlow verwendest und wie du mit Tune, das mit jeder ML-Bibliothek verwendet werden kann, generische Hyperparameter abstimmst.

Scikit-Learn mit Ray verwenden

scikit-learn ist eines der am weitesten verbreiteten Tools in der ...