在MLOps工程中，你将学到:

提取、转换和加载数据集 使用SQL查询数据集 理解PyTorch中的自动区分 将模型训练管道部署为服务端点 监视和管理管道的生命周期 测量的性能改进

MLOps Engineering at Scale教你如何使用AWS和其他云供应商的预构建服务来实现高效的机器学习系统。即使您以前从未使用过云平台，这本易于遵循的书也会逐步指导您设置无服务器ML基础设施。您还将探索诸如PyTorch Lightning、Optuna和MLFlow等工具，这些工具可以轻松地构建管道并在生产中扩展您的深度学习模型。

https://www.manning.com/books/mlops-engineering-at-scale

**本书由三部分组成。**在第1部分中，我列出了将机器学习系统投入生产的场景，描述了实验机器学习代码和生产机器学习系统之间的工程差距，并解释了无服务器机器学习如何帮助弥合这一差距。的第1部分,我将教会你如何使用公共云的serverless特性(Amazon Web Services)开始使用一个真实的机器学习用例,准备一个工作机器学习的数据集的用例,并确保你准备机器学习应用到用例。在第2部分中，我将介绍如何使用PyTorch深度学习框架为结构化数据集开发模型，解释如何在云中分布和扩展机器学习模型训练，并展示如何部署经过训练的机器学习模型以根据用户需求进行扩展。在此过程中，您将学习评估和评估替代机器学习模型实现的性能，以及如何为用例选择正确的机器学习模型。在第3部分中，我将向您介绍机器学习实践者经过战斗测试的技术，并涵盖特征工程、超参数调整和机器学习流水线组装。读完这本书，您将建立一个机器学习平台，它吸收原始数据，为机器学习做好准备，应用特征工程，并训练高性能、超参数调整的机器学习模型。