MLOps实践：机器学习从开发到生产

9.4 本章总结

9.3 MLOps架构的成熟度评估

9.2 自研MLOps平台

9.1 ML和MLOps平台比较

第9章 对MLOps的一些实践经验总结

8.5 本章总结

8.4 在MLOps框架内增加监控功能

8.3 运维问题的监控

8.2 数据科学问题的监控

8.1 ML模型监控简介

第8章 MLOps框架下的模型监控与运维

7.4 本章总结

7.3 零停机更新模型服务

7.2 模型服务的发布策略

7.1 ML在生产中的CI/CD

第7章 MLOps框架下的模型发布及零停机模型更新

6.10 本章总结

6.9 基于开源项目的模型服务解决方案

6.8 在MLOps框架下实现模型部署示例

6.7 模型即服务的自动化

6.6 基于Docker的模型应用程序部署

6.5 Web服务框架及应用生态

6.4 构建MLOps通用推理服务：模型即服务

6.3 常见的设计模式

6.2 对业务的驱动逻辑

6.1 定义及挑战

第6章 在MLOps框架下规模化部署模型

5.5 本章总结

5.4 ML项目打包

5.3 一个简单的ML模型接口示例

5.2 业内一些常见的解决方案

5.1 ML模型基础接口概述

第5章 模型统一接口设计及模型打包

4.5 本章总结

4.4 特征存储

4.3 模型注册

4.2 A/B在线实验

4.1 ML实验跟踪

第4章 ML与Ops之间的信息存储与传递机制

3.11 本章总结

3.10 模型投产

3.9 构建REST API

3.8 持久化模型

3.7 构建和评估模型

3.6 特征工程

3.5 数据探索

3.4 数据预处理

3.3 数据收集

3.2 定义ML目标

3.1 背景概要

第3章 MLOps的基础准备：模型开发

2.7 本章总结

2.6 团队建设及分工

2.5 ML项目生命周期

2.4 模型生产化阶段

2.3 模型开发阶段

2.2 研究与探索阶段

2.1 界定业务范围阶段

第2章 在MLOps框架下开展ML项目

1.5 本章总结

1.4 MLOps框架下的工程实践

1.3 ML的工程挑战与MLOps解决方案

1.2 ML相关符号及术语定义

1.1 ML涉及的概念

第1章 MLOps概述

前言

推荐序

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

推荐序

前言

第1章 MLOps概述

1.1 ML涉及的概念

1.2 ML相关符号及术语定义

1.3 ML的工程挑战与MLOps解决方案

1.4 MLOps框架下的工程实践

1.5 本章总结

第2章 在MLOps框架下开展ML项目

2.1 界定业务范围阶段

2.2 研究与探索阶段

2.3 模型开发阶段

2.4 模型生产化阶段

2.5 ML项目生命周期

2.6 团队建设及分工

2.7 本章总结

第3章 MLOps的基础准备：模型开发

3.1 背景概要

3.2 定义ML目标

3.3 数据收集

3.4 数据预处理

3.5 数据探索

3.6 特征工程

3.7 构建和评估模型

3.8 持久化模型

3.9 构建REST API

3.10 模型投产

3.11 本章总结

第4章 ML与Ops之间的信息存储与传递机制

4.1 ML实验跟踪

4.2 A/B在线实验

4.3 模型注册

4.4 特征存储

4.5 本章总结

第5章 模型统一接口设计及模型打包

5.1 ML模型基础接口概述

5.2 业内一些常见的解决方案

5.3 一个简单的ML模型接口示例

5.4 ML项目打包

5.5 本章总结

第6章 在MLOps框架下规模化部署模型

6.1 定义及挑战

6.2 对业务的驱动逻辑

6.3 常见的设计模式

6.4 构建MLOps通用推理服务：模型即服务

6.5 Web服务框架及应用生态

6.6 基于Docker的模型应用程序部署

6.7 模型即服务的自动化

6.8 在MLOps框架下实现模型部署示例

6.9 基于开源项目的模型服务解决方案

6.10 本章总结

第7章 MLOps框架下的模型发布及零停机模型更新

7.1 ML在生产中的CI/CD

7.2 模型服务的发布策略

7.3 零停机更新模型服务

7.4 本章总结

第8章 MLOps框架下的模型监控与运维

8.1 ML模型监控简介

8.2 数据科学问题的监控

8.3 运维问题的监控

8.4 在MLOps框架内增加监控功能

8.5 本章总结

第9章 对MLOps的一些实践经验总结

9.1 ML和MLOps平台比较

9.2 自研MLOps平台

9.3 MLOps架构的成熟度评估

9.4 本章总结