SØG - mellem flere end 8 millioner bøger:

Søg på: Titel, forfatter, forlag - gerne i kombination.
Eller blot på isbn, hvis du kender dette.

Viser: Building Machine Learning Pipelines - Automating Model Life Cycles with TensorFlow

Building Machine Learning Pipelines, 1. udgave

Building Machine Learning Pipelines Vital Source e-bog

Hannes Hapke og Catherine Nelson
(2020)
O'Reilly Media, Inc
616,00 kr.
Leveres umiddelbart efter køb
Building Machine Learning Pipelines - Automating Model Life Cycles with TensorFlow

Building Machine Learning Pipelines

Automating Model Life Cycles with TensorFlow
Hannes Hapke og Catherine Nelson
(2020)
Sprog: Engelsk
O'Reilly Media, Incorporated
569,00 kr.
På lager, Bestil nu og få den leveret
om ca. 2 hverdage
  • Klik for at bedømme:
  • 0.0/6 (0 bedømmelser)

Detaljer Om Varen

  • 1. Udgave
  • Vital Source E-book
  • Udgiver: O'Reilly Media, Inc (Juli 2020)
  • Forfattere: Hannes Hapke og Catherine Nelson
  • ISBN: 9781492053149
Companies are spending billions on machine learning projects, but it’s money wasted if the models can’t be deployed effectively. In this practical guide, Hannes Hapke and Catherine Nelson walk you through the steps of automating a machine learning pipeline using the TensorFlow ecosystem. You’ll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems. Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects. Understand the steps to build a machine learning pipeline Build your pipeline using components from TensorFlow Extended Orchestrate your machine learning pipeline with Apache Beam, Apache Airflow, and Kubeflow Pipelines Work with data using TensorFlow Data Validation and TensorFlow Transform Analyze a model in detail using TensorFlow Model Analysis Examine fairness and bias in your model performance Deploy models with TensorFlow Serving or TensorFlow Lite for mobile devices Learn privacy-preserving machine learning techniques
Licens varighed:
Online udgaven er tilgængelig: 365 dage fra købsdato.
Offline udgaven er tilgængelig: ubegrænset dage fra købsdato.

Udgiveren oplyser at følgende begrænsninger er gældende for dette produkt:
Print: -1 sider kan printes ad gangen
Copy: højest -1 sider i alt kan kopieres (copy/paste)

Detaljer Om Varen

  • Paperback: 366 sider
  • Udgiver: O'Reilly Media, Incorporated (Juli 2020)
  • Forfattere: Hannes Hapke og Catherine Nelson
  • ISBN: 9781492053194

Companies are spending billions on machine learning projects, but it's money wasted if the models can't be deployed effectively. In this practical guide, Hannes Hapke and Catherine Nelson walk you through the steps of automating a machine learning pipeline using the TensorFlow ecosystem. You'll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems.

Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects.

  • Understand the steps to build a machine learning pipeline
  • Build your pipeline using components from TensorFlow Extended
  • Orchestrate your machine learning pipeline with Apache Beam, Apache Airflow, and Kubeflow Pipelines
  • Work with data using TensorFlow Data Validation and TensorFlow Transform
  • Analyze a model in detail using TensorFlow Model Analysis
  • Examine fairness and bias in your model performance
  • Deploy models with TensorFlow Serving or TensorFlow Lite for mobile devices
  • Learn privacy-preserving machine learning techniques
De oplyste priser er inkl. moms

Kunder der købte denne bog købte også en af disse:

miniaturebillede af omslaget til Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow - Concepts, Tools, and Techniques to Build Intelligent Systems, 2. udgave

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

Concepts, Tools, and Techniques to Build Intelligent Systems
Aurélien Géron
O'Reilly Media, Incorporated (2019)
632,00 kr. 568,80 kr.
ikke på lager, Bestil nu og få den leveret
om ca. 10 hverdage

Polyteknisk Boghandel

har gennem mere end 50 år været studieboghandlen på DTU og en af Danmarks førende specialister i faglitteratur.

 

Vi lagerfører et bredt udvalg af bøger, ikke bare inden for videnskab og teknik, men også f.eks. ledelse, IT og meget andet.

Læs mere her


Trykt eller digital bog?

Ud over trykte bøger tilbyder vi tre forskellige typer af digitale bøger:

 

Vital Source Ebog: En velfungerende ebogsplatform, hvor bogen downloades til din computer og/eller mobile enhed.

 

Du skal bruge den gratis Bookshelf software til at læse læse bøgerne - der er indbygget gode værktøjer til f.eks. overstregning, notetagning mv. I langt de fleste tilfælde vil du samtidig have en sideløbende 365 dages online adgang. Læs mere om Vital Source bøger

 

Levering: I forbindelse med købet opretter du et login. Når du har installeret Bookshelf softwaren, logger du blot ind og din bog downloades automatisk.

 

 

Adobe ebog: Dette er Adobe DRM ebøger som downloades til din lokale computer eller mobil enhed.

 

For at læse bøgerne kræves særlig software, som understøtter denne type. Softwaren er gratis, men du bør sikre at du har rettigheder til installere software på den maskine du påtænker at anvende den på. Læs mere om Adobe DRM bøger

 

Levering: Et download link sendes pr email umiddelbart efter købet.

 


Ibog: Dette er en online bog som kan læses på udgiverens website. 

Der kræves ikke særlig software, bogen læses i en almindelig browser.

 

Levering: Vores medarbejder sender dig en adgangsnøgle pr email.

 

Vi gør opmærksom på at der ikke er retur/fortrydelsesret på digitale varer.