店铺公告
为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。
温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货），
关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。
本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!
1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!
2.店铺无纸质均开具电子，请联系客服开具电子版
|
| |
| 商品名称： | MLOps工程实践：工具、技术与企业级应用 |
| 作 者： | 陈雨强 郑曌 谭中意 卢冕 等
|
| 市 场 价： | 109.00
|
| ISBN 号： | 9787111733294
|
| 出版日期： |
|
| 页 数： | 329
|
| 开 本： |
|
| 出 版 社： | 机械工业出版社 |
|
CONTENTS 目??录 作者简介 前言 第1章 全面了解MLOps 1 1.1 人工智能的趋势和现状 1 1.1.1 趋势1：人工智能在企业中加速落地，彰显更多业务价值 1 1.1.2 趋势2：人工智能应用从以模型为中心向以数据为中心转变 3 1.1.3 现状：人工智能落地成功率低， 成本高 4 1.2 人工智能的问题、挑战以及应对措施 5 1.2.1 问题1：机器学习代码只是整个系统的一小部分 5 1.2.2 问题2：数据是最主要的问题 6 1.2.3 挑战：人工智能系统 如何规模化落地 7 1.2.4 应对措施：MLOps 8 1.3 MLOps简介 8 1.3.1 MLOps的定义 8 1.3.2 MLOps相关的工具和平台 12 1.3.3 MLOps的优势 13 1.4 MLOps与DevOps 14 1.4.1 DevOps的3个优点 14 1.4.2 MLOps延续了DevOps的优点 17 1.4.3 MLOps和DevOps的不同之处 19 1.4.4 MLOps和DevOps的目标与 实践理念 20 1.5 MLOps与其他XOps的区别 20 1.5.1 MLOps与AIOps的区别 21 1.5.2 MLOps与DataOps的区别 21 1.5.3 MLOps与ModelOps的区别 22 1.5.4 XOps的相同点： 都基于DevOps原则 22 1.6 本章小结 22 第2章 MLOps涉及的角色 23 2.1 角色类型 23 2.1.1 产品经理 24 2.1.2 数据科学家 24 2.1.3 数据工程师 25 2.1.4 机器学习工程师 26 2.1.5 DevOps工程师 27 2.1.6 IT运维工程师 27 2.2 角色划分以及角色之间 存在的问题 28 2.2.1 角色划分 28 2.2.2 问题1：技术栈不一致导致人工智能模型线上、线下效果不一致 28 2.2.3 问题2：关注点不同导致对系统的 需求不同 29 2.2.4 协作问题及解决办法 30 2.3 本章小结 30 第3章 机器学习项目概论 31 3.1 机器学习项目简介 31 3.1.1 机器学习的定义 31 3.1.2 机器学习相关概念 33 3.1.3 机器学习能解决的问题 37 3.1.4 机器学习项目度量 38 3.1.5 机器学习项目难以落地的 原因 41 3.2 深入理解机器学习项目全流程 44 3.2.1 方案调研 45 3.2.2 方案投产 49 3.3 本章小结 51 第4章 MLOps中的数据部分 52 4.1 从以模型为中心到以数据为中心 52 4.1.1 以模型为中心的时代 52 4.1.2 以数据为中心的时代 53 4.2 MLOps中的数据生命周期管理 55 4.3 数据存储架构演进 56 4.4 MLOps中主要的数据问题及 解决方案 57 4.4.1 常见的数据质量问题及 解决方案 57 4.4.2 时序数据穿越问题及解决方案 59 4.4.3 离线和实时数据一致性问题及 解决方案 64 4.4.4 数据安全问题及解决方案 66 4.4.5 数据共享与复用问题及 解决方案 67 4.5 本章小结 67 第5章 流水线工具 69 5.1 Airflow 69 5.1.1 Airflow的功能和应用场景 69 5.1.2 Airflow的核心概念 72 5.1.3 Airflow的使用方法 72 5.2 MLflow 80 5.2.1 MLflow的功能和应用场景 80 5.2.2 MLflow的核心概念 81 5.2.3 MLflow的使用方法 82 5.3 其他流水线工具 91 5.4 本章小结 93 第6章 特征平台 94 6.1 特征平台的概念和起源 94 6.2 特征平台的特性 96 6.3 特征平台的现状 97 6.4 主流的特征平台 98 6.4.1 Tecton的特征平台 99 6.4.2 AWS的SageMaker特征平台 100 6.4.3 Databricks的特征平台 102 6.4.4 Feast项目 103 6.4.5 OpenMLDB项目 105 6.5 特征平台的发展趋势 106 6.6 本章小结 107 第7章 实时特征平台 OpenMLDB 108 7.1 实时特征平台构建方法论 108 7.1.1 机器学习闭环 108 7.1.2 实时特征计算 109 7.1.3 痛点：线上线下计算一致性 校验带来的高成本 110 7.1.4 目标：开发即上线 112 7.1.5 技术需求 112 7.1.6 抽象架构 113 7.1.7 OpenMLDB架构设计实践 114 7.2 OpenMLDB项目介绍 116 7.2.1 设计理念 116 7.2.2 生产级机器学习特征平台 116 7.2.3 核心特性 117 7.2.4 常见问题 117 7.3 核心模块—在线引擎 118 7.3.1 概览 118 7.3.2 Apache ZooKeeper 119 7.3.3 Nameserver 119 7.3.4 Tablet 120 7.4 核心数据结构 122 7.4.1 背景介绍 122 7.4.2 双层跳表索引 122 7.4.3 预聚合技术 124 7.4.4 性能表现 125 7.5 高级特性—主从集群部署 127 7.5.1 定义和目标 127 7.5.2 技术方案 127 7.5.3 主从集群搭建实践 130 7.5.4 主从集群部署常见问题 131 7.6 高级特性—双存储引擎 133 7.6.1 内存和磁盘双存储 引擎架构 133 7.6.2 功能支持对比 134 7.6.3 性能对比 135 7.7 执行流程介绍 136 7.7.1 执行流程概览 136 7.7.2 执行模式概览 137 7.7.3 离线模式 137 7.7.4 在线模式 138 7.7.5 请求模式 138 7.8 实践 139 7.8.1 准备 140 7.8.2 使用流程 141 7.8.3 实时特征计算的结果说明 144 7.9 生态整合—在线数据源Kafka 145 7.9.1 简介 145 7.9.2 准备工作 146 7.9.3 步骤1：启动OpenMLDB 并创建数据库 146 7.9.4 步骤2：启动Kafka 并创建Topic 147 7.9.5 步骤3：启动Connector 147 7.9.6 步骤4：测试 148 7.10 生态整合—离线数据源Hive 149 7.10.1 配置 149 7.10.2 数据类型 149 7.10.3 通过LIKE语法快速建表 150 7.10.4 将Hive数据导入 OpenMLDB 150 7.10.5 将OpenMLDB数据 导出到Hive 151 7.11 案例：出租车行程时间预测 151 7.11.1 环境准备和预备知识 151 7.11.2 全流程演示 152 7.12 本章小结 155 第8章 Adlik推理工具链 156 8.1 机器学习模型落地挑战 156 8.2 Adlik的优势 157 8.3 Adlik的架构 158 8.3.1 模型优化器 159 8.3.2 模型编译器 161 8.3.3 推理引擎模块 161 8.4 快速入门 164 8.4.1 编译模型 164 8.4.2 部署模型 166 8.4.3 模型推理 166 8.4.4 引入自定义运行时 167 8.5 Adlik端到端模型推理优化实践 168 8.5.1 模型结构优化 168 8.5.2 模型推理引擎 170 8.6 本章小结 171 第9章 云服务供应商的端到端MLOps解决方案 172 9.1 认识SageMaker 173 9.1.1 SageMaker的主要组成 部分 173 9.1.2 广泛的数据源和数据集成 支持 174 9.2 无代码实现供应链中到货时间的 预测 176 9.2.1 数据准备 177 9.2.2 简单的数据合并 179 9.2.3 构建、训练和分析机器学习 模型 180 9.2.4 模型预测 183 9.3 应用SageMaker Notebook进行 MLOps 管理 183 9.3.1 数据导入 184 9.3.2 数据清洗和特征设计 184 9.3.3 模型训练 185 9.3.4 模型评估 186 9.3.5 模型上线 187 9.3.6 使用模型仓库和 Pipeline系统 管理训练成果 187 9.4 本章小结 194 第10章 MLOps 在反欺诈与推荐 系统中的应用 196 10.1 案例1：信用卡交易反欺诈系统 196 10.1.1 定义业务目标 196 10.1.2 系统设计的挑战 198 10.1.3 数据准备与特征设计思路 201 10.1.4 系统设计与实现 202 10.2 案例2：推荐系统 205 10.2.1 推荐系统介绍 205 10.2.2 定义优化目标 206 10.2.3 系统设计挑战与实现思路 208 10.3 本章小结 210 第11章 网易云音乐实时模型大规模应用之道 211 11.1 从云音乐直播推荐中的实时性 说起 211 11.1.1 直播对实时性的强需求 213 11.1.2 推荐引擎实时性的三要素 213 11.1.3 直播精排模型的实时化演进 216 11.2 实时增量模型的构建 216 11.2.1 实时特征快照 217 11.2.2 实时样本归因 219 11.2.3 实时样本拼接 222 11.2.4 增量训练和更新 223 11.2.5 线上效果 224 11.3 特征平台将实时能力泛化到 更多场景 225 11.4 FeatureBox 226 11.4.1 FeatureBox解决的问题 226 11.4.2 FeatureBox整体架构 227 11.4.3 DataHub模块 227 11.4.4 Transform模块 231 11.4.5 MFDL模块 232 11.4.6 Storage模块 233 11.4.7 Monitor模块 234 11.5 在线预估基于FeatureBox的 构建 236 11.5.1 特征与模型的高效迭代 236 11.5.2 高性能预估计算 242 11.5.3 预估与FeatureBox实时性 方案 246 11.6 本章小结 248 第12章 小米广告机器学习平台 实践 249 12.1 小米广告一站式机器学习平台 简介 249 12.1.1 传统机器学习流程的问题 249 12.1.2 小米广告机器学习平台模块 简介 251 12.2 特征工程模块 252 12.2.1 特征工程简介 252 12.2.2 数据源管理 253 12.2.3 特征管理 253 12.2.4 样本管理 257 12.3 模型训练平台 259 12.3.1 算法管理 260 12.3.2 离线模型训练管理 261 12.3.3 模型更新 262 12.4 线上推理模块 264 12.4.1 线上推理服务介绍 264 12.4.2 高性能和高可用保证 266 12.4.3 模型部署 268 12.5 本章小结 273 第13章 腾讯金融推荐中台实践 274 13.1 业务介绍 274 13.1.1 业务优化目标 274 13.1.2 业务特点 275 13.2 现状及挑战 276 13.2.1 推荐系统复杂性 277 13.2.2 算法工程技术壁垒 278 13.3 MLOps实践 278 13.4 推荐系统产品体系 280 13.4.1 特征系统 281 13.4.2 模型训练系统 281 13.4.3 模型服务系统 282 13.4.4 推荐运营系统 283 13.5 系统设计 283 13.5.1 特征系统 284 13.5.2 模型服务系统 290 13.6 本章小结 293 第14章 众安金融实时特征平台 实践 294 14.1 众安金融的MLOps建设背景 294 14.2 众安金融的MLOps建设思路 295 14.2.1 众安金融的MLOps流程说明 295 14.2.2 众安金融特征平台 能力要求 297 14.3 实时特征平台的架构设计 297 14.3.1 实时特征平台架构说明 298 14.3.2 实时特征数据源层 298 14.3.3 实时特征平台的核心功能 299 14.4 实时业务特征计算 300 14.4.1 实时业务特征计算系统 设计 300 14.4.2 实时业务特征核心数据 模型 301 14.4.3 实时业务特征计算引擎 302 14.5 反欺诈场景中的特征计算 303 14.5.1 反欺诈特征计算系统设计 303 14.5.2 反欺诈特征分类说明 304 14.5.3 用户关系图谱实现方案 305 14.6 本章小结 306 第15章 MLOps成熟度模型 308 15.1 能力成熟度模型概述 308 15.2 谷歌的MLOps成熟度模型 309 15.2.1 谷歌对MLOps的理解和 认识 309 15.2.2 谷歌对MLOps成熟度等级的 定义 310 15.3 微软的MLOps成熟度模型 317 15.3.1 微软对MLOps成熟度模型的 理解和认识 317 15.3.2 微软对MLOps成熟度等级的 定义 318 15.4 信通院的MLOps成熟度模型 322 15.4.1 需求管理能力子域 相关内容 323 15.4.2 数据工程能力子域 相关内容 325 15.5 本章小结 329 |
|
内容简介 这是一本能指导企业利用MLOps技术构建可靠、高效、可复用、可扩展的机器学习模型从而实现AI工程化落地的著作。由国内AI领域的独角兽企业第四范式的联合创始人和技术VP领衔撰写，从工具、技术、企业级应用、成熟度评估4个维度对MLOps进行了全面的讲解。 本书的主要内容包括如下9个方面： （1）MLOps的核心概念和方法，可以帮助读者全面了解MLOps的基本原理； （2）MLOps涉及的几种角色，以及这些角色之间如何协作； （3）机器学习项目的基础知识和全流程，是学习和应用MLOps的基础； （4）MLOps中的数据处理、主要流水线工具Airflow和MLflow、特征平台和实时特征平台OpenMLDB、推理工具链Adlik，为读者系统讲解MLOps的技术和工具； （5）云服务供应商的端到端MLOps解决方案； （6）第四范式、网易、小米、腾讯、众安金融等企业的MLOps工程实践案例和经验； （7）MLOps的成熟度模型，以及微软、谷歌和信通院对MLOps成熟度模型的划分； （8）针对不同规模的企业和团队的MLOps最佳实践，帮助他们量身定做MLOps策略； （9）MLOps的未来发展趋势，以及如何将新技术融入MLOps实践中。 本书深入浅出、循序渐进地讲解了如何在实际项目中利用MLOps进行机器学习模型的部署、监控与优化，以及如何利用MLOps实现持续集成与持续交付等高效的工作流程。通过企业级的MLOps案例和解决方案，帮助读者轻松掌握MLOps的设计思路以及如何应用MLOps解决实际问题。 |
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/KGO98RTwzTS5kgyR9wXjhA.jpg_400w_400h_4e)
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/KGO98RTwzTS5kgyR9wXjhA.jpg_60w_60h_4e)
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/chlNjzGwd6FA79GIQ_O51w.jpg_60w_60h_4e)
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/f9CnLS9Q7AD0CLcc4dfzKw.jpg_60w_60h_4e)
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/coQqmcsJD0qsg8XM6VNPhw.jpg_60w_60h_4e)
![[正版] MLOps工程实践 工具 技术与企业级应用 陈雨强 郑曌 谭中意 卢冕 人工智能 机器学习 数据存储架构](http://imgservice.suning.cn/uimg1/b2c/image/LK2RTlZwonqpnglvuMcKeA.jpg_60w_60h_4e)
