MLOps 是值得持续投入的新兴学门,如同 Day 01 谈到的此系列目的,谈如何从布署机械学习至商业情境(ML in Production),并关注布署之後所需注意的资料品质、模型版本控制与剪枝、AI 可解释力、错误分析、自动化 ML 到持续布署,期待用 ML 专案生命周期的角度执行 MLOps 需要的。目标很宏大,篇幅与表达能力有限,笔者很享受这趟整理的路程。
30 天过去了,梳理我们在AI落地谈 MLOps 中有那些进展。
技术介绍随着机械学习生命周期推进,系列主轴希望介绍由 Google 开源的 TensorFlow Extended (TFX) 做为用於生产的机械学习框架,也以ML系统生命周期介绍实践与模型优化方法。
<<: EP15 - [TDD] 建立 Order 参数 (1/2)
>>: Day 18. 计算属性(Computed) VS 侦听属性(Watched Property)
怎麽样确定这个人就对的那个人?前一篇有提到面试官可以怎麽提问技术题,那麽要确认应徵者的人格特质可以从...
资料库 https://wolkesau.medium.com/资料库-ad3ec2a1344e 浅...
kubeapps是一个由vmware/bitnami主导的开源项目,主旨为在kubernetes中让...
我把从第一天到现在每天的 Home 目录都放上 GitHub 了,README.md 里面有说明 ...
在前一章提到k8s是一种容器编排平台,用於管理容器化的应用程序。 而既然提到容器,那自然得提一下容器...