《MLOps实践：机器学习从开发到生产（全彩版）》内容简介

在大数据时代，机器学习（ML）在互联网领域取得了巨大的成功，数据应用也逐渐从“数据驱动”阶段向“模型驱动”阶段跃升，但这也给ML项目落地带来了更大的困难，为了适应时代的发展，MLOps应运而生。本书从多个方面介绍了MLOps实践路径，内容涵盖了设计、构建和部署由ML驱动的应用程序所需的各种实用技能。
本书适合数据科学家、软件工程师、ML工程师及希望学习如何更好地组织ML实验的研究人员阅读，可以帮助他们建立实用的MLOps实践框架。
李攀登，非参数统计硕士，AlgoLink（专注于MLOps研发与应用）的创始人，出海游戏公司博乐科技数据专家。曾任万达集团算法专家，蓝色光标算法团队负责人，Teradata资深数据挖掘工程师，亚信科技高级数据挖掘工程师。研究方向为机器学习、推荐系统、MLOps，拥有机器学习算法应用相关专利7项，MLOps专利2项，软件著作权1项。

作品目录

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