Spark. Rozproszone uczenie maszynowe na dużą skalę. Jak korzystać z MLlib, TensorFlow i PyTorch

Poznanie tajników rozproszonego uczenia maszynowego jest kluczowe, jeśli chcesz efektywnie operować większymi zbiorami danych oraz wdrażać bardziej skomplikowane algorytmy. Dzięki książce "Spark. Rozproszone uczenie maszynowe na dużą skalę" zyskasz niezbędną wiedzę na temat pracy z popularnymi narzędziami, takimi jak Apache Spark, PyTorch, TensorFlow i MLlib. Opanowanie tych technologii nie tylko ułatwi integrację i współpracę w zespołach, ale także pomoże w tworzeniu skalowalnych i powtarzalnych rozwiązań w całym cyklu życia oprogramowania.Na początku książki zgłębisz podstawowe zagadnienia dotyczące przepływów zadań związanych z uczeniem maszynowym, skoncentrowanych wokół Apache Spark i biblioteki PySpark. Kolejne rozdziały wprowadzą Cię w zarządzanie cyklem życia eksperymentów dzięki MLflow, jak również techniczne aspekty korzystania z platform uczenia maszynowego. Znajdziesz tu również praktyczne wzorce wdrażania, wnioskowania i monitorowania modeli w systemach produkcyjnych.Na szczególną uwagę zasługują takie zagadnienia jak: pełny cykl życia projektów uczenia maszynowego z MLflow, zaawansowana inżynieria cech oraz przetwarzanie wstępne przy użyciu Sparka, skuteczne szkolenie modeli i tworzenie kompletnych potoków danych oraz implementacja systemów z wykorzystaniem uczenia głębokiego. Dodatkowo, poznasz, jak uruchamiać TensorFlow w trybie rozproszonym i skutecznie skalować oraz projektować architekturę wewnętrzną swojego systemu.Jak zauważa Andy Petrella, autor książki "Fundamentals of Data Observability", to pozycja, na którą społeczność Sparka czekała od lat, stanowiąca klucz do zaawansowanej pracy z nowoczesnymi narzędziami uczenia maszynowego.