MLOps實戰(zhàn)：機器學(xué)習(xí)模型的開發(fā)、部署與應(yīng)用

前言1
第一部分 MLOps是什么，為什么要使用MLOps5
第1章 為什么現(xiàn)在要使用MLOps，使用MLOps面臨的挑戰(zhàn)7
1.1 定義MLOps及面臨的挑戰(zhàn)8
1.2 使用MLOps以降低風(fēng)險11
1.3 大規(guī)模的MLOps14
結(jié)語15
第2章 MLOps的使用人員16
2.1 行業(yè)專家17
2.2 數(shù)據(jù)科學(xué)家20
2.3 數(shù)據(jù)工程師22
2.4 軟件工程師23
2.5 DevOps團隊23
2.6 模型風(fēng)險管理者/審計師24
2.7 機器學(xué)習(xí)架構(gòu)師25
結(jié)語26
第3章 MLOps的主要組成部分27
3.1 機器學(xué)習(xí)入門27
3.2 模型開發(fā)28
3.3 產(chǎn)品化與部署31
3.4 監(jiān)控33
3.5 迭代與生命周期36
3.6 治理38
結(jié)語42
第二部分 如何實現(xiàn)43
第4章 開發(fā)模型45
4.1 什么是機器學(xué)習(xí)模型46
4.2 數(shù)據(jù)探索50
4.3 特征工程與特征選擇50
4.4 實驗53
4.5 評估和比較模型55
4.6 版本管理和再現(xiàn)性60
結(jié)語62
第5章 準備投入生產(chǎn)63
5.1 運行時環(huán)境63
5.2 模型風(fēng)險評估67
5.3 機器學(xué)習(xí)的質(zhì)量保證69
5.4 測試的關(guān)鍵注意事項69
5.5 再現(xiàn)性和可審計性70
5.6 機器學(xué)習(xí)安全72
5.7 降低模型風(fēng)險74
結(jié)語76
第6章 部署到生產(chǎn)78
6.1 CI/CD管道78
6.2 創(chuàng)建ML工件80
6.3 部署策略82
6.4 容器化85
6.5 擴展部署86
6.6 需求和挑戰(zhàn)88
結(jié)語89
第7章 監(jiān)控和反饋回路90
7.1 模型應(yīng)該多久接受一次再訓(xùn)練91
7.2 理解模型退化94
7.3 實踐中的漂移檢測97
7.4 反饋回路100
結(jié)語108
第8章 模型治理109
8.1 由誰決定組織的治理需求109
8.2 將治理與風(fēng)險級別相匹配111
8.3 推動MLOps治理的現(xiàn)行法規(guī)112
8.4 新一輪人工智能特定法規(guī)115
8.5 負責(zé)任的人工智能的出現(xiàn)117
8.6 負責(zé)任的人工智能的關(guān)鍵要素118
8.7 MLOps治理模板122
結(jié)語130
第三部分 MLOps具體示例131
第9章 實踐中的MLOps：消費信貸風(fēng)險管理133
9.1 背景：商業(yè)使用案例133
9.2 模型開發(fā)134
9.3 模型偏見考慮135
9.4 為生產(chǎn)做準備135
9.5 部署到生產(chǎn)環(huán)境136
結(jié)語137
第10章 實踐中的MLOps：營銷推薦引擎138
10.1 推薦引擎的興起138
10.2 數(shù)據(jù)準備140
10.3 設(shè)計和管理實驗141
10.4 模型訓(xùn)練和部署141
10.5 管道結(jié)構(gòu)和部署策略144
10.6 監(jiān)控和反饋145
結(jié)語148
第11章 實踐中的MLOps：消耗預(yù)測149
11.1 能源系統(tǒng)149
11.2 數(shù)據(jù)收集151
11.3 問題定義：機器學(xué)習(xí)，還是不機器學(xué)習(xí)153
11.4 空間和時間分辨率153
11.5 實施154
11.6 建模155
11.7 部署157
11.8 監(jiān)控157
結(jié)語158