Bücher — MLOps

EN
Data Engineering für Machine-Learning-Pipelines: Von Python-Bibliotheken zu ML-Pipelines und Cloud-Plattformen

Data Engineering für Machine-Learning-Pipelines: Von Python-Bibliotheken zu ML-Pipelines und Cloud-Plattformen

A

Pavan Kumar Narayanan

KI und ML
EN
Praktische Generative KI: Vom Konzept zur Bereitstellung: Aufbau und Bereitstellung ethischer KI-gestützter Lösungen

Praktische Generative KI: Vom Konzept zur Bereitstellung: Aufbau und Bereitstellung ethischer KI-gestützter Lösungen

A

Pramod Singh, James McKeone

KI und ML
EN
Generative KI auf Kubernetes: Operationalisierung von Large Language Models

Generative KI auf Kubernetes: Operationalisierung von Large Language Models

A

Roland Huß, Daniele Zonca

KI und ML
EN
AutoML lernen: Automatisierung von ML-Pipelines mit AutoGluon, führenden Frameworks und Integration in der Praxis

AutoML lernen: Automatisierung von ML-Pipelines mit AutoGluon, führenden Frameworks und Integration in der Praxis

A

Kerem Tomak

KI und ML
EN
Machine Learning Platform Engineering: Bau einer internen Entwicklerplattform für ML- und KI-Systeme

Machine Learning Platform Engineering: Bau einer internen Entwicklerplattform für ML- und KI-Systeme

A

Benjamin Tan Wei Hao, Shanoop Padmanabhan, Varun Mallya

KI und ML
EN
Der Pragmatische Programmlerner für Maschinelles Lernen: Engineering-Analysen und Data-Science-Lösungen

Der Pragmatische Programmlerner für Maschinelles Lernen: Engineering-Analysen und Data-Science-Lösungen

A

Marco Scutari, Mauro Malvestio

KI und ML
EN
Machine Learning in der Produktion: Meistern Sie die Kunst der Bereitstellung robuster Machine-Learning-Lösungen mit MLOps

Machine Learning in der Produktion: Meistern Sie die Kunst der Bereitstellung robuster Machine-Learning-Lösungen mit MLOps

A

Suhas Pote

KI und ML
EN
Machine Learning System Design: Mit End-to-End-Beispielen

Machine Learning System Design: Mit End-to-End-Beispielen

A

Valerii Babushkin, Arseny Kravchenko

KI und ML
RU
Erstellung von Machine-Learning-Anwendungen: Von der Idee zum Produkt

Erstellung von Machine-Learning-Anwendungen: Von der Idee zum Produkt

A

Эммануэль Амейзен

KI und ML
RU
Praktische Einführung in die wichtigsten Python-Bibliotheken und -Frameworks (mit Codebeispielen)

Praktische Einführung in die wichtigsten Python-Bibliotheken und -Frameworks (mit Codebeispielen)

B

Мурат Дурмус

KI und ML
EN
Entwurf von Machine-Learning-Systemen: Ein iterativer Prozess für produktionsreife Anwendungen

Entwurf von Machine-Learning-Systemen: Ein iterativer Prozess für produktionsreife Anwendungen

A

Chip Huyen

KI und ML
RU
Entwurf von Machine-Learning-Systemen

Entwurf von Machine-Learning-Systemen

A

Чип Хьюен (Chip Huyen)

KI und ML
EN
Architektur von KI-Softwaresystemen: Entwicklung robuster und skalierbarer KI-Systeme für die moderne Softwareentwicklung

Architektur von KI-Softwaresystemen: Entwicklung robuster und skalierbarer KI-Systeme für die moderne Softwareentwicklung

A

Richard D Avila, Imran Ahmad

KI und ML
EN
TensorFlow in Aktion

TensorFlow in Aktion

A

Thushan Ganegedara

KI und ML
RU
Python und DevOps: Der Schlüssel zur Automatisierung von Linux

Python und DevOps: Der Schlüssel zur Automatisierung von Linux

A

Ной Гифт, Кеннеди Берман, Альфредо Деза, Григ Георгиу

DevOps und Infrastruktur
EN
Entwurf von Deep-Learning-Systemen: Ein Leitfaden für Softwareentwickler

Entwurf von Deep-Learning-Systemen: Ein Leitfaden für Softwareentwickler

A

Chi Wang, Donald Szeto, Yan Xue

KI und ML
EN
MLOps mit Ray: Best Practices und Strategien für die Einführung von Machine Learning Operations

MLOps mit Ray: Best Practices und Strategien für die Einführung von Machine Learning Operations

A

Hien Luu, Max Pumperla, Zhe Zhang

KI und ML
EN
LLM-Ingenieurhandbuch: Meistern Sie die Kunst der Entwicklung großer Sprachmodelle von der Konzeption bis zur Produktion

LLM-Ingenieurhandbuch: Meistern Sie die Kunst der Entwicklung großer Sprachmodelle von der Konzeption bis zur Produktion

A

Paul Iusztin, Maxime Labonne

KI und ML
EN
Erstellung von Machine-Learning-Pipelines: Automatisierung von Modelllebenszyklen mit TensorFlow

Erstellung von Machine-Learning-Pipelines: Automatisierung von Modelllebenszyklen mit TensorFlow

A

Hannes Hapke, Catherine Nelson

KI und ML
EN
Grundlagen von Python für Künstliche Intelligenz und Maschinelles Lernen

Grundlagen von Python für Künstliche Intelligenz und Maschinelles Lernen

A

Pramod Gupta, Anupam Bagchi

KI und ML
EN
Machine-Learning-Modelle in Produktion bringen: Mit Flask, Streamlit, Docker und Kubernetes auf der Google Cloud Platform

Machine-Learning-Modelle in Produktion bringen: Mit Flask, Streamlit, Docker und Kubernetes auf der Google Cloud Platform

A

Pramod Singh

KI und ML
EN
MLOps-Lebenszyklus-Toolkit: Ein Software-Engineering-Fahrplan für das Design, die Bereitstellung und Skalierung stochastischer Systeme

MLOps-Lebenszyklus-Toolkit: Ein Software-Engineering-Fahrplan für das Design, die Bereitstellung und Skalierung stochastischer Systeme

A

Dayne Sorvisto

KI und ML
EN
Praktisches maschinelles Lernen auf Databricks

Praktisches maschinelles Lernen auf Databricks

A

Debu Sinha

KI und ML
RU
Entwicklung von Machine-Learning-Pipelines. Automatisierung von Modelllebenszyklen mit TensorFlow

Entwicklung von Machine-Learning-Pipelines. Automatisierung von Modelllebenszyklen mit TensorFlow

A

Хапке Х., Нельсон К.

KI und ML