Технология машинного обучения Azure: развертывание, точная настройка и оптимизация моделей машинного обучения с помощью Microsoft Azure Сины Фахраи — отличное руководство для всех, кто хочет научиться использовать службы машинного обучения Azure (AMLS) для создания, развертывания и управлять моделями машинного обучения.
Книга представляет собой всестороннее введение в AMLS, начиная с основ машинного обучения и затем углубляясь в различные функции AMLS.
О чем эта книга?
Книга охватывает широкий круг тем, от подготовки данных до развертывания и мониторинга моделей. Он содержит подробные объяснения каждого шага процесса машинного обучения, включая исследование данных, разработку функций, выбор модели и настройку гиперпараметров. Автор также включает рекомендации по оптимизации моделей, мониторингу их производительности и масштабированию для использования в производстве.
В главе 1 «Знакомство со службой машинного обучения Azure» представлены основные концепции службы машинного обучения Azure (AML). Вы создадите рабочее пространство AML, создадите вычислительный экземпляр и подключите AML к VS Code для дальнейшей разработки в последующих главах.
В главе 2 «Работа с данными в AMLS» рассказывается, как работать с данными в AMLS. В частности, вы узнаете, как загружать данные, сохранять данные в виде наборов данных и использовать наборы данных в последующих проектах разработки.
В главе 3 «Обучение моделей машинного обучения в AMLS» показано, как обучать модели машинного обучения с помощью экспериментов AMLS, а также конструктора без кода. Вы увидите, как обучать задания удаленно и сохранять модели в реестре моделей AMLS для последующего использования.
В главе 4 «Настройка моделей с помощью AMLS» показано, как настроить гиперпараметры для моделей машинного обучения с помощью AMLS HyperDrive.
В главе 5 «Автоматизированное машинное обучение Azure» рассказывается, как создать сценарий задания AutoML для автоматического обучения модели машинного обучения.
В главе 6 «Развертывание моделей машинного обучения для вывода в реальном времени» рассказывается, как развертывать модели в AML для поддержки логического вывода в реальном времени.
В главе 7 «Развертывание моделей машинного обучения для пакетной оценки» показано, как применять пакетную оценку к моделям с использованием конечных точек пакета AML.
В главе 8 «Ответственный ИИ» рассказывается, как объяснить модели машинного обучения с помощью AMLS и Azure Interpret.
В главе 9 «Производство рабочей нагрузки с помощью MLOps» вы настроите конвейер Azure DevOps для организации обучения модели и ее развертывания в нескольких средах.
Глава 10, Использование глубокого обучения в Машинном обучении Azure, демонстрирует, как маркировать данные изображения с помощью функции маркировки данных Машинного обучения Azure, которую мы будем использовать для обучения модели обнаружения объектов. Вы узнаете, как обучить модель обнаружения объектов с помощью AMLS AutoML и как развернуть обученную модель для логического вывода с помощью AMLS.
В главе 11 «Использование распределенного обучения в AMLS» рассказывается, как проводить распределенное обучение в AMLS. В частности, вы узнаете, как обучать модели распределенным способом с использованием двух популярных сред глубокого обучения, PyTorch и TensorFlow.
Отличительной особенностью этой книги является акцент автора на практичности. Каждая глава сопровождается практическими примерами, демонстрирующими, как использовать AML для решения реальных проблем. Автор также включает советы и приемы для решения распространенных проблем, таких как работа с несбалансированными данными и выбор правильной метрики оценки.
В целом, Azure Machine Learning Engineering — отличный ресурс для специалистов по данным, которые хотят узнать, как использовать AMLS для создания и развертывания моделей машинного обучения. Книга хорошо написана, проста для понимания и полна практических примеров и лучших практик. Являетесь ли вы новичком или опытным специалистом по данным, эта книга обязательно станет ценным дополнением к вашей библиотеке.
