基本信息 

书名：	MLOps实战:机器学开发、部署与应用
作者：	(英)马克·特雷维尔(Mark Treveil)，(美)the Dataiku Team著
出版社：	机械工业出版社
出版日期：	2022-07-01
版次：	1
ISBN：	9787111710097
市场价：	79.0

目录 前言1 部分 MLOps是什么，为什么要使用MLOps5 第1章 为什么现在要使用MLOps，使用MLOps面临的挑战7 1.1 定义MLOps及面临的挑战8 1.2 使用MLOps以降低风险11 1.3 大规模的MLOps14 结语15 第2章 MLOps的使用人员16 2.1 行业专家17 2.2 数据科学家20 2.3 数据工程师22 2.4 软件工程师23 2.5 DevOps团队23 2.6 模型风险管理者/审计师24 2.7 机器学习架构师25 结语26 第3章 MLOps的主要组成部分27 3.1 机器学习入门27 3.2 模型开发28 3.3 产品化与部署31 3.4 监控33 3.5 迭代与生命周期36 3.6 治理38 结语42 部分 如何实现43 第4章 开发模型45 4.1 什么是机器学习模型46 4.2 数据探索50 4.3 特征工程与特征选择50 4.4 实验53 4.5 评估和比较模型55 4.6 版本管理和再现60 结语62 第5章 准备投入生产63 5.1 运行时环境63 5.2 模型风险评估67 5.3 机器学质量保证69 5.4 测试的关键注意事项69 5.5 再现和可审计70 5.6 机器学习72 5.7 降低模型风险74 结语76 第6章 部署到生产78 6.1 CI/CD管道78 6.2 创建ML工件80 6.3 部署策略82 6.4 容器化85 6.5 扩展部署86 6.6 需求和挑战88 结语89 第7章 监控和反馈回路90 7.1 模型应该多久接受一次再训练91 7.2 理解模型退化94 7.3 实践中的漂移检测97 7.4 反馈回路100 结语108 第8章 模型治理109 8.1 由谁决定组织的治理需求109 8.2 将治理与风险级别相匹配111 8.3 推动MLOps治理的现行法规112 8.4 新一轮人工智能特定法规115 8.5 负责任的人工智能的出现117 8.6 负责任的人工智能的关键要素118 8.7 MLOps治理模板122 结语130 第三部分 MLOps具体示例131 第9章 实践中的MLOps：消费信贷风险管理133 9.1 背景：商业使用案例133 9.2 模型开发134 9.3 模型偏见考虑135 9.4 为生产做准备135 9.5 部署到生产环境136 结语137 第10章 实践中的MLOps引擎138 10引擎的兴起138 10.2 数据准备140 10.3 设计和管理实验141 10.4 模型训练和部署141 10.5 管道结构和部署策略144 10.6 监控和反馈145 结语148 第11章 实践中的MLOps：消耗预测149 11.1 能源系统149 11.2 数据收集151 11.3 问题定义：机器学习，还是不机器学习153 11.4 空间和时间分辨率153 11.5 实施154 11.6 建模155 11.7 部署157 11.8 监控157 结语158内容介绍 当今，组织创建的分析和机器学习(ML)模型中超过一半从未投入生产。机器营化的一些挑战和障碍是技术的，但其他则是组织的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。 本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变革，并随着时间的推移维护和改进这些模型。以全球众多MLOD5应用课程为基础，9位机器学深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。本书将帮助你： 通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。 通过重新训练、定期调整和重构来优化ML模型，以确保。 设计MLOps生命周期，以使用公正、公平、可解释的模型将组织风险降大力度优惠。 为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。在线试读 媒体评论 
当今组织创建的分析和机器学习(ML)模型超过一半从未投入生产。机器营化的一些挑战和障碍是技术的，但其他则是组织的。无论采取哪种方式解决问题，底线是未投入生产的模型不会影响业务。 本书介绍了MLOps的关键概念，以帮助数据科学家和应用工程师操作ML模型来驱动真正的业务变化，并随着时间的推移维护和改进这些模型。以全球众多MLOps应用课程为基础，9位机器学深入探讨了模型生命周期的五个阶段——开发、预生产、部署、监控和治理，揭示了如何将强大的MLOps流程贯穿始终。 本书将帮助你： ·通过减少整个ML管道和工作流程中的摩擦，实现数据科学的价值。 ·通过再培训、定期调整和改造来完善ML模型，以确保。 ·设计MLOps生命周期，使用公正、公平、可解释的模型将组织风险降*低。 ·为管道的部署和更复杂、标准化程度更低的外部业务系统实施ML模型。