ML：MLOps系列讲解之《基于ML的软件的三个层次》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次》解读
导读：您将了解基于ML的软件的三个核心元素——数据、ML模型和代码。特别地，我们会将讨论：
(1)、数据工程管道
(2)、ML管道和ML工作流。
(3)、模型服务模式和部署策略
ML/AI迅速被新的应用程序和行业采用。如前所述，机器学习项目的目标是利用收集到的数据并应用机器学习算法来建立一个统计模型。然而，构建成功的基于ML的软件项目仍然很困难，因为每个基于ML的软件都需要管理三个主要资产：数据、模型和代码。机器学习模型操作化管理—MLOps，作为DevOps的扩展，围绕设计、构建和部署机器学习模型到生产中建立有效的实践和流程。我们在这里描述了在基于机器学习的软件开发中所涉及的基本技术方法，即数据工程、ML模型工程和软件发布工程。
目录
4.1、Data： Data Engineering Pipelines
4.1.2、Exploration and Validation
4.2、Model： Machine Learning Pipelines
4.2.5、Different forms of ML workflows不同形式的机器学习工作流程
4.2.6、ML Model serialization formats 机器学习模型序列化格式
4.3、Code： Deployment Pipelines
4.3.1、Model Serving Patterns模型服务模式
4.3.2、Deployment Strategies部署策略
相关文章
ML：MLOps系列讲解之《基于ML的软件的三个层次》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次之01 Data： Data Engineering Pipelines》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次之02 Model： Machine Learning Pipelines 2.1~2.4》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次之02 Model： Machine Learning Pipelines——2.5 Different forms of ML workflows不同形式的机器学习工作流程》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次之02 Model： Machine Learning Pipelines——2.6 ML Model serialization formats 机器学习模型序列化格式》解读
ML：MLOps系列讲解之《基于ML的软件的三个层次之03 Code： Deployment Pipelines》解读
4、《基于ML的软件的三个层次》解读
4.1、Data： Data Engineering Pipelines
4.1.1、Data Ingestion
4.1.2、Exploration and Validation
4.1.3、Data Splitting
4.2、Model： Machine Learning Pipelines
4.2.1、Model Training
4.2.2、Model Evaluation
4.2.3、Model Testing
4.2.4、Model Packaging
4.2.5、Different forms of ML workflows不同形式的机器学习工作流程
4.2.5.3、Model Serving Patterns—两个维度得到四种 ML架构模式
4.2.5.3.3、架构模式之Online Learning
4.2.6、ML Model serialization formats 机器学习模型序列化格式
4.2.6.1、Language-agnostic exchange formats语言无关交换格式
4.2.6.1.3、PFA(Portable Format for Analytics，便携式分析格式)旨在替代 PMML
4.2.6.1.4、ONNX(Open Neural Network eXchange，开放神经网络交换)是一种独立于 ML 框架的文件格式
4.2.6.2、Vendor-specific exchange formats供应商特定的交换格式
4.3、Code： Deployment Pipelines
4.3.1、Model Serving Patterns模型服务模式
4.3.1.2、Model-as-Dependency模型即依赖
4.3.1.3、Precompute Serving Pattern 预计算服务模式
4.3.1.5、Hybrid-Serving混合服务(联邦学习)
4.3.2、Deployment Strategies部署策略
4.3.2.1、Deploying ML Models as Docker Containers将ML模型部署为Docker容器
4.3.2.2、Deploying ML Models as Serverless Functions将ML模型部署为无服务器函数
网站声明：如果转载，请联系本站管理员。否则一切后果自行承担。
- 上周热门
- 如何使用 StarRocks 管理和优化数据湖中的数据？ 2941
- 【软件正版化】软件正版化工作要点 2860
- 统信UOS试玩黑神话：悟空 2819
- 信刻光盘安全隔离与信息交换系统 2712
- 镜舟科技与中启乘数科技达成战略合作，共筑数据服务新生态 1246
- grub引导程序无法找到指定设备和分区 1213
- 华为全联接大会2024丨软通动力分论坛精彩议程抢先看！ 163
- 点击报名 | 京东2025校招进校行程预告 162
- 2024海洋能源产业融合发展论坛暨博览会同期活动-海洋能源与数字化智能化论坛成功举办 160
- 华为纯血鸿蒙正式版9月底见！但Mate 70的内情还得接着挖... 157
- 本周热议
- 我的信创开放社区兼职赚钱历程 40
- 今天你签到了吗？ 27
- 信创开放社区邀请他人注册的具体步骤如下 15
- 如何玩转信创开放社区—从小白进阶到专家 15
- 方德桌面操作系统 14
- 我有15积分有什么用? 13
- 用抖音玩法闯信创开放社区——用平台宣传企业产品服务 13
- 如何让你先人一步获得悬赏问题信息？（创作者必看） 12
- 2024中国信创产业发展大会暨中国信息科技创新与应用博览会 9
- 中央国家机关政府采购中心：应当将CPU、操作系统符合安全可靠测评要求纳入采购需求 8
