Ingénierie de l'apprentissage automatique avec Python
 |
Description
Introduction au livre
Gérer le cycle de vie de production des modèles d'apprentissage automatique avec des exemples pratiques utilisant ML Ops !
Machine Learning Engineering with Python est un guide pratique qui aide les ingénieurs ML Ops (MLOps) et les ingénieurs en apprentissage automatique (ML) à créer des solutions aux problèmes du monde réel.
Ce livre vous apporte les compétences nécessaires pour garder une longueur d'avance dans ce domaine en constante évolution.
Ce livre utilise une approche par l'exemple pour vous aider à développer vos compétences, en abordant les concepts techniques essentiels, les modèles d'implémentation et les méthodologies de développement. Vous explorerez les étapes clés du cycle de vie du développement en apprentissage automatique et apprendrez à créer une « usine à modèles » standardisée pour l'entraînement et le réentraînement des modèles. Vous apprendrez également à tirer parti des concepts d'intégration et de déploiement continus (CI/CD) et à détecter différents types de dérive.
Ce livre vous enseigne également comment mettre en pratique les architectures de déploiement modernes et faire évoluer vos solutions.
Nous explorons tous les aspects de l'ingénierie ML et du MLops, en nous concentrant sur les dernières technologies open source et basées sur le cloud.
Elle comprend une approche totalement nouvelle des techniques avancées de pipeline et d'orchestration.
Dans les chapitres consacrés à l'apprentissage profond, à l'IA générative et au LLMops, vous découvrirez des méthodes analytiques qui exploitent les puissantes capacités du LLM à l'aide d'outils tels que LangChain, PyTorch et Hugging Face.
Découvrez comment booster votre productivité grâce à des assistants IA comme GitHub Copilot et approfondissez les considérations d'ingénierie liées au travail sur l'apprentissage profond.
Machine Learning Engineering with Python est un guide pratique qui aide les ingénieurs ML Ops (MLOps) et les ingénieurs en apprentissage automatique (ML) à créer des solutions aux problèmes du monde réel.
Ce livre vous apporte les compétences nécessaires pour garder une longueur d'avance dans ce domaine en constante évolution.
Ce livre utilise une approche par l'exemple pour vous aider à développer vos compétences, en abordant les concepts techniques essentiels, les modèles d'implémentation et les méthodologies de développement. Vous explorerez les étapes clés du cycle de vie du développement en apprentissage automatique et apprendrez à créer une « usine à modèles » standardisée pour l'entraînement et le réentraînement des modèles. Vous apprendrez également à tirer parti des concepts d'intégration et de déploiement continus (CI/CD) et à détecter différents types de dérive.
Ce livre vous enseigne également comment mettre en pratique les architectures de déploiement modernes et faire évoluer vos solutions.
Nous explorons tous les aspects de l'ingénierie ML et du MLops, en nous concentrant sur les dernières technologies open source et basées sur le cloud.
Elle comprend une approche totalement nouvelle des techniques avancées de pipeline et d'orchestration.
Dans les chapitres consacrés à l'apprentissage profond, à l'IA générative et au LLMops, vous découvrirez des méthodes analytiques qui exploitent les puissantes capacités du LLM à l'aide d'outils tels que LangChain, PyTorch et Hugging Face.
Découvrez comment booster votre productivité grâce à des assistants IA comme GitHub Copilot et approfondissez les considérations d'ingénierie liées au travail sur l'apprentissage profond.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
▣ Chapitre 1 : Introduction à l’ingénierie de l’apprentissage automatique
1.1 Exigences techniques
1.2 Classification des emplois liés aux données
1.2.1 Data Scientist
__1.2.2 Ingénieur en apprentissage automatique
__1.2.3 Ingénieur en opérations d'apprentissage automatique
__1.2.4 Ingénieur de données
1.3 Travailler efficacement en équipe
1.4 Ingénierie de l'apprentissage automatique dans des environnements réels
1.5 À quoi ressemble une solution d'apprentissage automatique ?
__1.5.1 Pourquoi Python ?
1.6 Conception de systèmes d'apprentissage automatique de haut niveau
__1.6.1 Exemple 1 : Service de détection d’anomalies par lots
__1.6.2 Exemple 2 : API de prédiction
__1.6.3 Exemple 3 : Pipeline de classification
1.7 Résumé
▣ Chapitre 2 : Processus de développement de l’apprentissage automatique
2.1 Exigences techniques
2.2 Paramètres de l'outil
__2.2.1 Paramètres du compte AWS
2.3 Quatre étapes du concept à la solution
__2.3.1 Comparaison avec CRISP-DM
__2.3.2 découvert
__2.3.3 Jouer
__2.3.4 Développement
__2.3.5 distribution
2.4 Résumé
▣ Chapitre 3 : Du modèle à l’usine de modèles
3.1 Exigences techniques
3.2 Définition d'une usine modèle
3.3 Qu'est-ce que l'apprentissage ?
3.3.1 Définition des objectifs
3.3.2 Minimiser les pertes
3.3.3 Préparation des données
3.4 Ingénierie des caractéristiques pour l'apprentissage automatique
3.4.1 Gestion des caractéristiques catégorielles
3.4.2 Gestion des fonctions numériques
3.5 Conception d'un système de formation
3.5.1 Options de conception du système de formation
__3.5.2 Course d'entraînement
__3.5.3 Formation-Stockage
3.6 Dérive et réentraînement
3.6.1 Détection de la dérive des données
3.6.2 Détection de la dérive des concepts
3.6.3 Définition des limites
3.6.4 Diagnostic de la dérive
__3.6.5 Contre-mesures de dérive
3.6.6 Autres outils de surveillance
3.6.7 Automatisation de la formation
3.6.8 Hiérarchie de l'automatisation
__3.6.9 Optimisation des hyperparamètres
3.6.10 AutoML
3.7 Persévérer le modèle
3.8 Construction d'une usine modèle avec des pipelines
__3.8.1 Pipeline Scikit-learn
__3.8.2 Pipeline Spark ML
3.9 Résumé
▣ Chapitre 4 : Emballage
4.1 Exigences techniques
4.2 Écrire du bon code Python
4.2.1 Acquisition des bases de Python
4.2.2 Techniques utiles
4.2.3 Conventions de codage Python
4.2.4 Style de codage PySpark
4.3 Choisir un style de codage
4.3.1 Programmation orientée objet
4.3.2 Programmation fonctionnelle
4.4 Conditionnement du code
__4.4.1 Pourquoi créer un package ?
__4.4.2 Quel code dois-je empaqueter ?
4.4.3 Conception d'un emballage
4.5 Constitution du colis
4.5.1 Gestion de l'environnement avec Makefile
__4.5.2 Premiers pas en poésie
4.6 Tests, journalisation, sécurité et gestion des erreurs
__4.6.1 Tests
4.6.2 Sécurité de la solution
4.6.3 Analyse des problèmes de sécurité dans le code
4.6.4 Vérification de sécurité des paquets dépendants
__4.6.5 Journalisation
__4.6.6 Gestion des erreurs
4.7 Ne réinventez pas la roue
4.8 Résumé
▣ Chapitre 5 : Modèles et outils de déploiement
5.1 Exigences techniques
5.2 Conception du système
5.2.1 Principes de conception du système
5.3 Modèles représentatifs d'apprentissage automatique
5.3.1 Lac de données
__5.3.2 Microservices
5.3.3 Conception pilotée par les événements
__5.3.4 Traitement par lots
5.4 Conteneurisation
5.5 Hébergement de vos propres microservices sur AWS
5.5.1 Transmission à ECR
5.5.2 Déploiement sur ECS
5.6 Construction d'un pipeline général utilisant le flux d'air
5.6.1 Flux d'air
__5.6.2 MWAA
5.6.3 Mise en place d'un pipeline CI/CD pour Airflow
5.7 Création de pipelines d'apprentissage automatique avancés
__5.7.1 ZenML
__5.7.2 Kubeflow
5.8 Choisir une stratégie de distribution
5.9 Résumé
▣ Chapitre 6 : Mise à l’échelle
6.1 Exigences techniques
6.2 Extension avec Spark
__6.2.1 Conseils et astuces Spark
6.2.2 Spark sur le cloud, AWS EMR
6.3 Création d'une infrastructure sans serveur
6.4 Conteneurisation à grande échelle avec Kubernetes
6.5 Extension à Ray
6.5.1 Premiers pas avec Ray pour l'apprentissage automatique
__6.5.2 Extensions de calcul de Ray
6.5.3 Extension de la couche de service à l'aide de Ray
6.6 Conception de systèmes à grande échelle
6.7 Résumé
▣ Chapitre 7 : Apprentissage profond, IA générative et LLMops
7.1 Apprentissage profond
__7.1.1 Notions de base de PyTorch
7.1.2 Extension de l'apprentissage profond et applications de production
7.1.3 Mise au point et apprentissage par transfert
7.2 Modèles de langage à grande échelle
7.2.1 Concepts et structure de base du LLM
7.2.2 Utilisation de LLM via l'API
7.2.3 Programmation avec LLM
7.3 Vérification LLM et gestion/exploitation rapide
7.3.1 Vérification du LLM
__7.3.2 PromptOps
7.4 Résumé
▣ Chapitre 8 : Création d’exemples de microservices d’apprentissage automatique
8.1 Exigences techniques
8.2 Comprendre le problème de prédiction
8.3 Conception de services prédictifs
8.4 Sélection des outils
8.5 Échelle de formation
8.6 Diffusion de modèles avec FastAPI
8.6.1 Schéma de réponse et de requête
8.6.2 Gestion des modèles dans les microservices
8.6.3 Intégration de tous les composants
8.7 Conteneurisation et déploiement avec Kubernetes
8.7.1 Conteneurisation des applications
8.7.2 Mise à l'échelle avec Kubernetes
8.7.3 Stratégie de déploiement
8.8 Résumé
▣ Chapitre 9 : Étude de cas ETML (Extraction, Transformation, Apprentissage automatique)
9.1 Exigences techniques
9.2 Comprendre les problèmes liés au traitement par lots
9.3 Conception de la solution ETML
9.4 Sélection d'un outil
__9.4.1 Interfaces et référentiels
__9.4.2 Extension du modèle
__9.4.3 Planification du pipeline ETML
J'utilise la version 9.5
__9.5.1 Création d'un pipeline ETML à l'aide des fonctionnalités avancées d'Airflow
9.6 Résumé
1.1 Exigences techniques
1.2 Classification des emplois liés aux données
1.2.1 Data Scientist
__1.2.2 Ingénieur en apprentissage automatique
__1.2.3 Ingénieur en opérations d'apprentissage automatique
__1.2.4 Ingénieur de données
1.3 Travailler efficacement en équipe
1.4 Ingénierie de l'apprentissage automatique dans des environnements réels
1.5 À quoi ressemble une solution d'apprentissage automatique ?
__1.5.1 Pourquoi Python ?
1.6 Conception de systèmes d'apprentissage automatique de haut niveau
__1.6.1 Exemple 1 : Service de détection d’anomalies par lots
__1.6.2 Exemple 2 : API de prédiction
__1.6.3 Exemple 3 : Pipeline de classification
1.7 Résumé
▣ Chapitre 2 : Processus de développement de l’apprentissage automatique
2.1 Exigences techniques
2.2 Paramètres de l'outil
__2.2.1 Paramètres du compte AWS
2.3 Quatre étapes du concept à la solution
__2.3.1 Comparaison avec CRISP-DM
__2.3.2 découvert
__2.3.3 Jouer
__2.3.4 Développement
__2.3.5 distribution
2.4 Résumé
▣ Chapitre 3 : Du modèle à l’usine de modèles
3.1 Exigences techniques
3.2 Définition d'une usine modèle
3.3 Qu'est-ce que l'apprentissage ?
3.3.1 Définition des objectifs
3.3.2 Minimiser les pertes
3.3.3 Préparation des données
3.4 Ingénierie des caractéristiques pour l'apprentissage automatique
3.4.1 Gestion des caractéristiques catégorielles
3.4.2 Gestion des fonctions numériques
3.5 Conception d'un système de formation
3.5.1 Options de conception du système de formation
__3.5.2 Course d'entraînement
__3.5.3 Formation-Stockage
3.6 Dérive et réentraînement
3.6.1 Détection de la dérive des données
3.6.2 Détection de la dérive des concepts
3.6.3 Définition des limites
3.6.4 Diagnostic de la dérive
__3.6.5 Contre-mesures de dérive
3.6.6 Autres outils de surveillance
3.6.7 Automatisation de la formation
3.6.8 Hiérarchie de l'automatisation
__3.6.9 Optimisation des hyperparamètres
3.6.10 AutoML
3.7 Persévérer le modèle
3.8 Construction d'une usine modèle avec des pipelines
__3.8.1 Pipeline Scikit-learn
__3.8.2 Pipeline Spark ML
3.9 Résumé
▣ Chapitre 4 : Emballage
4.1 Exigences techniques
4.2 Écrire du bon code Python
4.2.1 Acquisition des bases de Python
4.2.2 Techniques utiles
4.2.3 Conventions de codage Python
4.2.4 Style de codage PySpark
4.3 Choisir un style de codage
4.3.1 Programmation orientée objet
4.3.2 Programmation fonctionnelle
4.4 Conditionnement du code
__4.4.1 Pourquoi créer un package ?
__4.4.2 Quel code dois-je empaqueter ?
4.4.3 Conception d'un emballage
4.5 Constitution du colis
4.5.1 Gestion de l'environnement avec Makefile
__4.5.2 Premiers pas en poésie
4.6 Tests, journalisation, sécurité et gestion des erreurs
__4.6.1 Tests
4.6.2 Sécurité de la solution
4.6.3 Analyse des problèmes de sécurité dans le code
4.6.4 Vérification de sécurité des paquets dépendants
__4.6.5 Journalisation
__4.6.6 Gestion des erreurs
4.7 Ne réinventez pas la roue
4.8 Résumé
▣ Chapitre 5 : Modèles et outils de déploiement
5.1 Exigences techniques
5.2 Conception du système
5.2.1 Principes de conception du système
5.3 Modèles représentatifs d'apprentissage automatique
5.3.1 Lac de données
__5.3.2 Microservices
5.3.3 Conception pilotée par les événements
__5.3.4 Traitement par lots
5.4 Conteneurisation
5.5 Hébergement de vos propres microservices sur AWS
5.5.1 Transmission à ECR
5.5.2 Déploiement sur ECS
5.6 Construction d'un pipeline général utilisant le flux d'air
5.6.1 Flux d'air
__5.6.2 MWAA
5.6.3 Mise en place d'un pipeline CI/CD pour Airflow
5.7 Création de pipelines d'apprentissage automatique avancés
__5.7.1 ZenML
__5.7.2 Kubeflow
5.8 Choisir une stratégie de distribution
5.9 Résumé
▣ Chapitre 6 : Mise à l’échelle
6.1 Exigences techniques
6.2 Extension avec Spark
__6.2.1 Conseils et astuces Spark
6.2.2 Spark sur le cloud, AWS EMR
6.3 Création d'une infrastructure sans serveur
6.4 Conteneurisation à grande échelle avec Kubernetes
6.5 Extension à Ray
6.5.1 Premiers pas avec Ray pour l'apprentissage automatique
__6.5.2 Extensions de calcul de Ray
6.5.3 Extension de la couche de service à l'aide de Ray
6.6 Conception de systèmes à grande échelle
6.7 Résumé
▣ Chapitre 7 : Apprentissage profond, IA générative et LLMops
7.1 Apprentissage profond
__7.1.1 Notions de base de PyTorch
7.1.2 Extension de l'apprentissage profond et applications de production
7.1.3 Mise au point et apprentissage par transfert
7.2 Modèles de langage à grande échelle
7.2.1 Concepts et structure de base du LLM
7.2.2 Utilisation de LLM via l'API
7.2.3 Programmation avec LLM
7.3 Vérification LLM et gestion/exploitation rapide
7.3.1 Vérification du LLM
__7.3.2 PromptOps
7.4 Résumé
▣ Chapitre 8 : Création d’exemples de microservices d’apprentissage automatique
8.1 Exigences techniques
8.2 Comprendre le problème de prédiction
8.3 Conception de services prédictifs
8.4 Sélection des outils
8.5 Échelle de formation
8.6 Diffusion de modèles avec FastAPI
8.6.1 Schéma de réponse et de requête
8.6.2 Gestion des modèles dans les microservices
8.6.3 Intégration de tous les composants
8.7 Conteneurisation et déploiement avec Kubernetes
8.7.1 Conteneurisation des applications
8.7.2 Mise à l'échelle avec Kubernetes
8.7.3 Stratégie de déploiement
8.8 Résumé
▣ Chapitre 9 : Étude de cas ETML (Extraction, Transformation, Apprentissage automatique)
9.1 Exigences techniques
9.2 Comprendre les problèmes liés au traitement par lots
9.3 Conception de la solution ETML
9.4 Sélection d'un outil
__9.4.1 Interfaces et référentiels
__9.4.2 Extension du modèle
__9.4.3 Planification du pipeline ETML
J'utilise la version 9.5
__9.5.1 Création d'un pipeline ETML à l'aide des fonctionnalités avancées d'Airflow
9.6 Résumé
Image détaillée
Avis de l'éditeur
★ Ce que ce livre aborde ★
◎ Planification et gestion de projets de développement ML de bout en bout
◎ Apprentissage profond, LLM et LLMops pour l'utilisation de l'IA générative
◎ Création d'outils de ML et développement de solutions avec Python
◎ Utilisation d'Apache Spark, Kubernetes et Ray
◎ Création et exécution de pipelines de ML à l'aide d'Apache Airflow, ZenML et Kubeflow
◎ Intégrer les mécanismes de détection de dérive et de réentraînement dans la solution
◎ Amélioration de la gestion des erreurs grâce à l'analyse du flux de contrôle et des vulnérabilités
◎ Création et exploitation de microservices d'apprentissage automatique et de processus par lots à l'aide d'AWS
◎ Planification et gestion de projets de développement ML de bout en bout
◎ Apprentissage profond, LLM et LLMops pour l'utilisation de l'IA générative
◎ Création d'outils de ML et développement de solutions avec Python
◎ Utilisation d'Apache Spark, Kubernetes et Ray
◎ Création et exécution de pipelines de ML à l'aide d'Apache Airflow, ZenML et Kubeflow
◎ Intégrer les mécanismes de détection de dérive et de réentraînement dans la solution
◎ Amélioration de la gestion des erreurs grâce à l'analyse du flux de contrôle et des vulnérabilités
◎ Création et exploitation de microservices d'apprentissage automatique et de processus par lots à l'aide d'AWS
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 24 avril 2025
Nombre de pages, poids, dimensions : 392 pages | 188 × 240 × 16 mm
- ISBN13 : 9791158396046
- ISBN10 : 115839604X
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
