Building Machine Learning Pipelines (häftad, eng)
Gäller medlemspriset
Building Machine Learning Pipelines (häftad, eng)
Gästpris:
Ditt pris:
526 kr
679 kr
Du sparar
153 kr
- Inköpspriser för medlemmar (Logga in)
- Frakt från 0 kr
- 14 dagars öppet köp
Companies are spending billions on machine learning projects, but it's money wasted if the models can't be deployed effectively. In this practical guide, Hannes Hapke and Catherine Nelson walk you through the steps of automating a machine learning pipeline using the TensorFlow ecosystem.
You'll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems. Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects.
Understand the steps to build a machine learning pipelineBuild your pipeline using components from TensorFlow ExtendedOrchestrate your machine learning pipeline with Apache Beam, Apache Airflow, and Kubeflow PipelinesWork with data using TensorFlow Data Validation and TensorFlow TransformAnalyze a model in detail using TensorFlow Model AnalysisExamine fairness and bias in your model performanceDeploy models with TensorFlow Serving or TensorFlow Lite for mobile devicesLearn privacy-preserving machine learning techniques
You'll learn the techniques and tools that will cut deployment time from days to minutes, so that you can focus on developing new models rather than maintaining legacy systems. Data scientists, machine learning engineers, and DevOps engineers will discover how to go beyond model development to successfully productize their data science projects, while managers will better understand the role they play in helping to accelerate these projects.
Understand the steps to build a machine learning pipelineBuild your pipeline using components from TensorFlow ExtendedOrchestrate your machine learning pipeline with Apache Beam, Apache Airflow, and Kubeflow PipelinesWork with data using TensorFlow Data Validation and TensorFlow TransformAnalyze a model in detail using TensorFlow Model AnalysisExamine fairness and bias in your model performanceDeploy models with TensorFlow Serving or TensorFlow Lite for mobile devicesLearn privacy-preserving machine learning techniques
| Format | Häftad |
| Omfång | 364 sidor |
| Språk | Engelska |
| Förlag | O'Reilly Media |
| Utgivningsdatum | 2020-08-18 |
| ISBN | 9781492053194 |
Artikelnummer
3242758
EAN
9781492053194
Leverans:
Denna produkt skickas från oss inom 4 - 5 vardagar. I kassan väljer du om du vill få leverans med Budbee, Airmee, Best Transport, Early Bird, Postnord eller DB Schenker. Vissa speditörer har vikt- eller storleksbegränsningar och kan av den anledningen saknas som alternativ i kassan om du handlar många eller väldigt stora produkter.Fri retur:
För Plus-medlemmar gäller fri retur och 14 dagars full returrätt från den dagen du tar emot din leverans. För övriga kostar retur från 49 kr.Undantag för retur- och ångerrätt:
Dessa är exempel på varor som inte omfattas av retur- eller ångerrätt. Observera att det kan finnas andra undantag som inte listas här.- Använda, skadade och/eller inkompletta produkter
- Dagligvaror (livsmedel, läkemedel, nikotinprodukter)
- Hygienartiklar & kroppsnära produkter (rakapparater, in ear-hörlurar, aktivitetsklockor)
- Intimprodukter (menskoppar, kondomer och glidmedel)
- Kosmetikprodukter (inkl. hår- och hudvårdsprodukter, parfymer, etc.)
- Underkläder (inkl. badkläder, underställ och strumpor)
- Ljud- & bildupptagningar, spel/program (om förseglingen brutits eller licensnyckeln erhållits.)
- Teknikprodukter om försegling brutits eller programvara har installerats (mobiltelefoner, surfplattor, laptops, etc.)
- Gratisprodukter
Om du är osäker på om en produkt omfattas av ångerrätt kan du alltid kontakta vår kundtjänst på info@buyersclub.se, så hjälper vi dig gärna!
Leveranser:
