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。
目次
- 1 関連記事の紹介
- 2 中級者向け
- 3 英語版
- 3.1 Practical MLOps (English Edition)
- 3.2 Introducing MLOps: How to Scale Machine Learning in the Enterprise
- 3.3 Managing AI in the Enterprise: Succeeding with AI Projects and MLOps to Build Sustainable AI Organizations
- 3.4 Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale
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
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。
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。
ビッグデータを支える技術
ビッグデータを支える基盤技術の「今」に焦点を当て、前半ではデータ量や分散処理など基本概念の整理と、代表的なテクノロジーを徹底解説。
合わせて、各技術登場の歴史的な背景も丁寧に追います。
後半は実践編としてオープンソースや無償版が利用できるソフトウェアを中心にラップトップ1台でビッグデータを体験しながら学べるよう解説を進めます。
今回の改訂では、ビッグデータの技術を活用した応用分野のうち注目度の高い機械学習や特徴量ストア、MLOpsの話題も新たに盛り込み、充実の内容でお届けします。
一章だけですが、MLOpsについて解説があります。
AWSではじめるデータレイク: クラウドによる統合型データリポジトリ構築入門
AWSのソリューションアーキテクトによって執筆されており、内容は非常に詳細で分かりやすいです。
序章ではデータウェアハウス(DWH)、データレイク、ETLといったAWSに限らないデータレイクの基本について分かりやすく説明されています。
次章からはAWSにおいてどのようにそれらが実装されるかについて説明されています。
また運用上の注意点、セキュリティについても説明があります。
ハンズオン形式なのも嬉しいですね。
英語版
Practical MLOps (English Edition)
AWS, Microsoft Azure, and Google Cloudなどの環境で、MLOpsの実装方法を学べます。
この本を読むことで、MLオペレーションを実行することが簡単になりました。
データサイエンティストや ML エンジニアになりたいすべてのPythonプログラマーに、これを強くお勧めします。
Introducing MLOps: How to Scale Machine Learning in the Enterprise
本書は、データサイエンティストやアプリケーションエンジニアが、真のビジネス変革を推進するためにMLモデルを運用するだけでなく、それらのモデルを長期にわたって維持・改善するために役立つMLOpsの主要概念を紹介しています。
世界中の数多くのMLOpsアプリケーションに基づいたレッスンを通じて、機械学習の専門家9人がモデルのライフサイクルの5つのステップ(ビルド、プリプロダクション、デプロイメント、モニタリング、ガバナンス)への洞察を提供し、堅牢なMLOpsプロセスを全体に浸透させる方法を明らかにします。
Managing AI in the Enterprise: Succeeding with AI Projects and MLOps to Build Sustainable AI Organizations
AIや企業におけるAIを初めて学ぶ人にとって、本書はこの分野の体系的な入門書であることがわかります。
AIスペシャリストと協力し、彼らを成功に導くために必要なノウハウを得ることができます。
自社におけるビジネス戦略とAI構想の整合性を図るために、AIをどのように活用すればよいのか考えている人にお勧めしたい一冊です。
本書は、企業のシニアリーダーや、組織におけるデータサイエンスチームやプロジェクトの管理を志す人に適しています。
Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale
本書は、MLOpsのワークフローに慣れることから始め、MLモデルをトレーニングするためのプログラムを書き始めることができます。
実用的な例と実践的な実装方法が書かれているので、非常にタメになります。
-
-
自然言語処理の学習でおすすめの本【2022年最新】
関連記事の紹介 MLOps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 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 Kaggle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 ...
-
-
機械学習でおすすめの本【2022年最新】
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 MLOps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 Kaggleについては、この記事を読んで下さい PyTorchについては、こ ...
-
-
DevOpsとSREでおすすめの本【2023年最新】
DevOps システム運用アンチパターン ―エンジニアがDevOpsで解決する組織・自動化・コミュニケーション 上層部がDevOpsに理解のない組織で働き、組織構造を変える権限を持っていない開発者であっても、チームにDevOpsを導入するた ...