記事の内容
この記事では、機械学習とMLOpsを始めるにあたっての良書を紹介していきたいと思います。
関連記事の紹介
- 自然言語処理については、この記事を読んで下さい
- 機械学習については、この記事を読んで下さい
- Kaggleについては、この記事を読んで下さい
- 機械学習で使う数学については、この記事を読んで下さい
- PyTorchについては、この記事を読んで下さい
- Pythonについては、この記事を読んで下さい
- データ分析については、この記事を読んで下さい
- GCPについては、この記事を読んで下さい
- AWSについては、この記事を読んで下さい
- Azureについては、この記事を読んで下さい
- DevOpsについては、この記事を読んで下さい
動画教材
Udemyのここがオススメ
- 一ヶ月間は自由に返金することができるので、お試しで講座を受けられる。
- 情報が古くなった場合には、著者が教材をアップデートしてくれることが多いので、初心者に優しい。
【実戦で学ぶ基盤構築】ローカル端末で作り理解するエンジニアのための機械学習基盤の作成とMLOps
▼ 興味がある方は、画像をクリック
どんな人向け？
- 「機械学習基盤に興味のある開発者」
- 「モデルを作成後のモデル利用の流れとデータを利用した活動をイメージしたい方」
- 「データ分析基盤と機械学習基盤の関係について知りたい方」
登場する技術スタック：
- Mongodb
- Apache Spark
- Apache SparkML
- NodeJs
Azure Machine Learning & MLOps : Beginner to Advance
▼ 興味がある方は、画像をクリック
英語版です。
あなたは、Azure機械学習（業界で要求される高度なトピックまで）をマスターし、MLOps（Azure上の機械学習のためのDevOps）をエンドツーエンドで完全に実践するための包括的で魅力的で楽しいコースをお探しですか？
もしそうなら、このコースはピッタリです。
Machine Learning Deep Learning model deployment
▼ 興味がある方は、画像をクリック
英語版です。
このコースでは、様々なテクニックを使って機械学習ディープラーニングモデルをデプロイする方法を学びます。
このコースでは、モデル開発にとどまらず、モデルをさまざまなアプリケーションでどのように消費できるかをハンズオンで説明します。
中級者向け
仕事ではじめる機械学習
機械学習の文脈で、効果検証やMLOpsに触れている数少ない良書です。
「機械学習でいい感じにしてくれ」と突然上司に言われたとき、本書で学んだことが読者の力になるはずです。
本書で得た知識は読者が「いま」困っている問題を解決する助けとなるでしょう。
第2版では「ML Ops」「機械学習モデルの検証」「バンディットアルゴリズム」「オンライン広告での機械学習」を追加しています。
機械学習による実用アプリケーション構築
本書では、機械学習を利用するアプリケーションを設計、構築、デプロイするために注意すべき点がまとめられています。
AIエンジニアのための機械学習システムデザインパターン
機械学習をビジネスで実践的に使うために、システム開発や評価方法について詳細に書かれています。
実践的なノウハウが盛りだくさんです。
機械学習システムのグランドデザインおよびPythonによる機械学習システムの実装例を説明しています。
さらには、機械学習を本番活用するための方法論や、運用、改善ノウハウについて解説します。
[改訂新版]ITエンジニアのための機械学習理論入門
機械学習を基礎から理論的に学びたい、そんなITエンジニアに向けて執筆された本です。
初版から約5年が経過し、全面カラー化して「改訂新版」としました。
Pythonのコーディング環境もGoogle Colaboratoryに刷新、これまで5回にわたる重版で修正した内容に加え、最新の書き下ろし修正でアップデートしました。
入門 機械学習パイプライン ―TensorFlowで学ぶワークフローの自動化
本書では、TensorFlowのエコシステムを使用した機械学習パイプラインの構築方法について学びます。
パイプラインを用いて各ステップを自動化することで、レガシーなシステムの保守から解放され、新しいモデルの開発に集中できるようになります。
実践 AWSデータサイエンス ―エンドツーエンドのMLOpsパイプライン実装
AWSではデータサイエンス分野で利用できるさまざまなサービスが提供されています。
本書では、それらのサービスを有効に使って、データの収集、分析、モデルの訓練、テスト、デプロイまでの一連のプロセスを行う方法を紹介します。
対象とする事例は、ヘルスケアデータ、時系列データ、自然言語処理、画像分類、不正検出、需要予測、レコメンデーションシステムなど非常に多岐にわたります。
各サービスの繋がりや類似のサービスの使い分けを把握できるようになります。
機械学習デザインパターン ―データ準備、モデル構築、MLOpsの実践上の問題と解決
本書は、機械学習で繰り返し登場する課題を30のパターン(データ表現、問題表現、モデルの訓練、再現性、対応性、運用性、説明性、公平性などに関するもの)に分類し、それぞれについてベストプラクティスを提示・解説するデザインパターン集です。
