awesome-mlops - MLOps の参照の厳選されたリスト

(A curated list of references for MLOps )

Created at: 2020-03-03 19:37:19
Language: NULL
URL: https://github.com/visenger/awesome-mlops

素晴らしいMLOpsすごい 愛を込めて作られました

MLOps.あなたはそれを否定します。あなたの訓練をします。あなたはそれを実行します。

MLOps の参考資料の素晴らしいリスト - 機械学習の操作 👉 ml-ops.org

ツイッターフォロー

目次
MLOps コア MLOps コミュニティ
MLOps ブック MLOps に関する記事
MLOps ワークフロー管理 MLOps: 機能ストア
MLOps: データ エンジニアリング (DataOps) MLOps: モデルのデプロイとサービング
MLOps: テスト、監視、メンテナンス MLOps: インフラストラクチャ
MLOps ペーパー MLOps について語る
既存の ML システム 機械学習
ソフトウェア工学 ML/AI の製品管理
ML/AI の経済学 モデルガバナンス、倫理、責任あるAI
MLOps: 人とプロセス MLOps、機械学習、データサイエンスなどに関するニュースレター

MLOps コア

クリックして展開!
  1. 機械学習の操作:設計し、トレーニングし、実行します。
  2. MLOps SIG 仕様
  3. 本番環境の ML
  4. 優れた本番環境向け機械学習: MLOps ツールとフレームワークの現状
  5. Udemy 「ML モデルのデプロイ」
  6. フルスタックディープラーニング
  7. 機械学習のエンジニアリングのベストプラクティス
  8. 🚀ML を本番環境に配置する
  9. スタンフォードMLSysセミナーシリーズ
  10. IBM ML 運用化スターター・キット
  11. ML を製品化する。機械学習製品を構築する開発者とプロダクトマネージャー向けの自習ガイド。
  12. GCP での MLOps (機械学習オペレーション) の基礎
  13. ML フルスタックの準備
  14. MLOps ガイド: 理論と実装
  15. MLOps の実践者向けガイド: 機械学習の継続的デリバリーと自動化のためのフレームワーク。

MLOps コミュニティ

クリックして展開!
  1. MLOps.community
  2. CDF Special Interest Group - MLOps
  3. RsqrdAI - 堅牢で責任あるAI
  4. DataTalks.Club
  5. 合成データコミュニティ
  6. MLOps ワールド コミュニティ

MLOps コース

  1. MLOps ズームキャンプ (無料)
  2. Courseraの本番環境向け機械学習エンジニアリング(MLOps)スペシャライゼーション

MLOps ブック

クリックして展開!
  1. アンドリー・ブルコフによる「機械学習工学」、2020年
  2. "ML Ops: Operationalizing Data Science" by David Sweenor, Steven Hillion, Dan Rope, Dev Kannabiran, Thomas Hill, Michael O'Connell著
  3. 「機械学習を利用したアプリケーションの構築」エマニュエル・アメイセン著
  4. 「機械学習パイプラインの構築」ハンネス・ハプケ、キャサリン・ネルソン、2020年、オライリー
  5. 「データサイエンスの管理」キリル・ドゥボビコフ著
  6. "Accelerated DevOps with AI, ML & RPA: NON-PROGRAMMER'S GUIDE TO AIOPS & MLOPS" BY Stephen Fleming
  7. 「機械学習モデルの評価」アリス・チェン著
  8. アジャイルAI。2020.カルロ・アップリーゼ、パコ・ネイサン、ウィリアム・S・ロバーツ。オライリーメディア株式会社
  9. 「機械学習ロジスティクス」。2017. T. Dunning et al. O'Reilly Media Inc.
  10. Valliappa Lakshmanan、Sara Robinson、Michael Munnによる「Machine Learning Design Patterns」。オライリー2020
  11. 「機械学習モデルの提供:アーキテクチャ、ストリーム処理エンジン、フレームワークのガイド」ボリス・ルブリンスキー、オライリーメディア社、2017年
  12. "Kubeflow for Machine Learning" by Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu, Boris Lublinsky
  13. ムーサ・タイフィによる「クリーンな機械学習コード」。リーンパブ。2020
  14. 電子書籍「実用的なMLOps。生産モデルの準備方法」
  15. 「MLOpsの紹介」マーク・トレベール他オライリー・メディア社 2020
  16. 「MOAの実践例を用いたデータストリームの機械学習」、ビフェット、アルバートとガヴァルダ、リカールとホームズ、ジェフとプファーリンガー、ベルンハルト、MITプレス、2018年
  17. "Machine Learning Product Manual" by Laszlo Sragner, Chris Kelly
  18. "Data Science Bootstrap Notes" by Eric J. Ma
  19. 「データチーム」ジェシーアンダーソン、2020年
  20. 「AWS 上のデータサイエンス」クリス・フレグリー、アンティエ・バルト、2021年
  21. 「エンジニアリングMLOps」エマニュエル・ラージ著、2021年
  22. 機械学習エンジニアリングの実践
  23. 実用的な MLOps
  24. 「効果的なデータサイエンスインフラストラクチャ」ヴィルトゥーロス、2021年
  25. オンデバイス開発のためのAIと機械学習、2021年、ローレンス・モロニー著。オライリー
  26. 機械学習システムの設計、2022年 チップ・フエン , オライリー
  27. 信頼性の高い機械学習。2022.キャシー・チェン、ニール・リチャード・マーフィー、クランティ・パリサ、D.スカリー、トッド・アンダーウッド。オライリー

MLOps に関する記事

クリックして展開!
  1. 機械学習の継続的デリバリー(Thoughtworksによる)
  2. MLOps とは何ですか?NVIDIA ブログ
  3. MLSpec: マルチステージ ML パイプラインのコンポーネント間スキーマを標準化するプロジェクト。
  4. 2021年エンタープライズ機械学習の現状|エンタープライズ ML 2020 の現状: PDF とインタラクティブ
  5. 機械学習プロジェクトの整理: プロジェクト管理ガイドライン。
  6. ML プロジェクトのルール (ベストプラクティス)
  7. ML パイプライン テンプレート
  8. データサイエンスプロジェクトの構造
  9. 再現可能なML
  10. 研究フェーズと生産フェーズの両方を促進する ML プロジェクト テンプレート。
  11. 機械学習には、根本的に異なるデプロイ アプローチが必要です。組織が機械学習を採用するにつれて、新しい展開ツールと戦略の必要性が高まります。
  12. Flyteの紹介:クラウドネイティブの機械学習およびデータ処理プラットフォーム
  13. 機械学習のためのDevOpsはなぜそれほど違うのですか?
  14. 機械学習モデルを実際の製品やサービスに変える教訓 – O'Reilly
  15. MLOps: Azure Machine Learning によるモデル管理、デプロイ、監視
  16. 機械学習のファイル形式ガイド: 列指向、トレーニング、推論、および機能ストア
  17. 機械学習パイプラインの設計 スケーラブルな機械学習システムを構築する方法
  18. 機械学習モデルが本番環境で劣化する理由
  19. 機械学習における概念ドリフトとモデル減衰
  20. 本番環境における機械学習:データと概念のドリフトを気にする必要がある理由
  21. ML の本番環境への移行
  22. エンドツーエンドの機械学習プラットフォームのツアー
  23. MLOps: 機械学習における継続的デリバリーと自動化パイプライン
  24. AIと運用の出会い
  25. DevOps を混在させると、機械学習はどのようになりますか?もう不思議ではありません、私たちはMLOpsの蓋を開けます
  26. フォーブス:MLオペレーションの出現
  27. Cognilytica Report "ML Model Management and Operations 2020 (MLOps)"
  28. クラウド AI プラットフォーム パイプラインの紹介
  29. 生産レベルのディープラーニングのガイド
  30. 本番環境に対応した機械学習システムの構築に向けた5つのコンポーネント
  31. 運用環境でのディープ ラーニング (運用環境でのディープ ラーニング ベースのモデルのデプロイに関する参照)
  32. 機械学習実験の追跡
  33. チーム データ サイエンス プロセス (TDSP)
  34. MLOps Solutions (Azure ベース)
  35. ML パイプラインの監視
  36. Seldon CoreとAlibi による機械学習 COVID-19 ソリューションの大規模な展開と説明可能性
  37. AIインフラストラクチャの謎を解く
  38. 機械学習プロジェクトの整理: プロジェクト管理ガイドライン。
  39. The Checklist for Machine Learning Projects (Aurélien Géron, "Hands-On Machine Learning with Scikit-Learn and TensorFlow" より)
  40. データプロジェクトチェックリスト ジェレミー・ハワード著
  41. MLOps:思ったほど退屈ではない
  42. 機械学習を運用可能にするための 10 のステップ。クラウデラホワイトペーパー
  43. MLOps だけでは不十分です。エンドツーエンドのデータサイエンスライフサイクルプロセスの必要性。
  44. データ・サイエンス・ライフサイクル・リポジトリ・テンプレート
  45. テンプレート: エンドツーエンドの ML/AI ワークフローを自動化する方法を示す機械学習プロジェクトのコードとパイプライン定義。
  46. ニトピッキング機械学習の技術的負債
  47. 機械学習チームが実際に使用する最高のツール、ライブラリ、フレームワーク、方法論 – 41 MLスタートアップから学んだこと
  48. AI/MLのためのソフトウェアエンジニアリング - 注釈付き参考文献
  49. インテリジェントシステム。機械学習の実践
  50. CMU 17-445/645: AI 対応システムのためのソフトウェア エンジニアリング (SE4AI)
  51. 機械学習は要件エンジニアリングです
  52. 機械学習の再現性チェックリスト
  53. 機械学習オペレーション。GitHub で機械学習運用を促進する方法に関するリソースのコレクション。
  54. ほぼすべての機械学習プロジェクトのタスクチートシート エンドツーエンドの ML プロジェクトを構築するためのタスクのチェックリスト
  55. リアルタイム機械学習エンドポイントの Web サービスとストリーミング
  56. PyTorch Lightning が TPU で継続的インテグレーションを実行する最初の ML フレームワークになった経緯
  57. DVC を使用して保守可能な機械学習パイプラインを構築するための究極のガイド
  58. 継続的機械学習 (CML) は、機械学習プロジェクト (DVC) の CI/CD です。
  59. 200の機械学習ツールを見て学んだこと|更新: MLOps ツーリング ランドスケープ v2 (+84 個の新しいツール) - 12 月 '20
  60. ビッグデータ&AIランドスケープ
  61. 機械学習モデルをコードではなくデータとしてデプロイする — より良い一致?
  62. 「あなたは常にスケールしなければならない」—MLOpsの10の戒め
  63. 機械学習システム構築における3つのリスク
  64. 本番環境の ML に関するブログ (maiot.io)
  65. 機械学習の基礎に戻る: モデル デプロイ用のコードの記述方法。パート1、パート2、パート3
  66. MLOps: エンジニアリング分野としての機械学習
  67. Google Cloud Platform での ML エンジニアリング(ハンズオン ラボとコード サンプル)
  68. 生産における深層強化学習。Zyngaでのユーザーエクスペリエンスをパーソナライズするための強化学習の使用
  69. データの可観測性とは
  70. 本番環境で機械学習を維持するための実用的なガイド
  71. 継続的な機械学習。パート1、パート2。パート3はもうすぐです。
  72. MLの専門家が説明するデータサイエンスのアジャイルアプローチ
  73. MLを利用したサービスを構築するためにモデルサーバーで探す必要があるものは次のとおりです
  74. 企業向けのAI開発者ツールの問題(およびIKEAがそれと何の関係があるのか )
  75. 階層型ストレージを使用したストリーミング機械学習
  76. 機械学習のパフォーマンスとコストの最適化に関するベスト プラクティス(Google Cloud)
  77. リーンデータと機械学習の操作
  78. 本番環境でMLシステムを実行するための簡単なガイド サイト信頼性エンジニアのためのベストプラクティス
  79. 野生のAIエンジニアリングの実践 - SIG |より健全なデジタル世界に適したソフトウェアの提供
  80. SE-ML |機械学習の2020年エンジニアリングプラクティスの現状
  81. 機械学習のための素晴らしいソフトウェアエンジニアリング(GitHubリポジトリ)
  82. サンプリングだけでは不十分で、代わりにMLデータをプロファイリングする
  83. MLの再現性:なぜそれが重要なのか、そしてそれをどのように達成するのか
  84. 生産における再現可能な機械学習の12の要因
  85. MLOps: 自動化以上のもの
  86. リーンデータサイエンス
  87. データサイエンティストのためのエンジニアリングスキル
  88. DAGsHub ブログ。データ サイエンスと機械学習のワークフロー、MLOps、オープンソースのデータ サイエンスについて読む
  89. スタートアップのためのデータサイエンスプロジェクトフロー
  90. データサイエンスエンジニアリング - Shopify
  91. 暗号経済のための効率的な実行を備えた最先端の機械学習テクノロジーの構築
  92. 機械学習ループの完了
  93. 機械学習モデルのデプロイ: チェックリスト
  94. MLOps および ML ツールのグローバル ランドスケープ (MLReef による)
  95. すべてのデータ サイエンス チームが MLOps に真剣に取り組む必要がある理由
  96. MLOps Values (by Bart Grasza)
  97. 機械学習システム設計(チップ・フエン著)
  98. ML システムの設計 (スタンフォード|CS 329 |チップ・フエン)
  99. COVID-19がAIモデルにどのように感染したか(データドリフトまたはモデルドリフトの概念について)
  100. 機械学習ライブラリのためのマイクロカーネルアーキテクチャ。Pythonメタクラスを使用したマイクロカーネルアーキテクチャの例
  101. 本番環境における機械学習:Booking.com アプローチ
  102. TWIMLcon 2021に参加して学んだこと(ジェームズ・リー)
  103. スタートアップ向けのMLオーケストレーションシステムの設計。軽量のプロダクショングレードのMLオーケストレーションシステムを構築する際のケーススタディ
  104. MLOpsに向けて:機械学習プラットフォームの技術的能力 |プロサスAI技術ブログ
  105. MLOps の使用を開始する オープンソース ツールを使用した包括的な MLOps チュートリアル
  106. DevOps から MLOPS へ: Jenkins と Docker を使用した機械学習モデルの統合
  107. Pulumi、FastAPI、DVC、MLFlow などに基づく基本的な ML プラットフォームのコード例
  108. 機械学習のためのソフトウェアエンジニアリング:機械学習システムの不一致の特性評価と検出
  109. TWIMLソリューションガイド
  110. 機械学習をどの程度大規模に活用していますか?尋ねるべき6つの質問
  111. MLOps の使用開始: ユースケースに適した機能の選択
  112. SEIの最新作:人工知能、DevSecOps、セキュリティインシデント対応
  113. MLOps: 究極のガイド。MLOps に関するハンドブックとその考え方
  114. クラウド MLOps のエンタープライズ対応
  115. 顧客ごとにモデルをトレーニングする必要がありますか、それともすべての顧客に対して 1 つのモデルを使用する必要がありますか?
  116. MLOps-Basics (GitHub repo) by raviraja
  117. 別のツールではMLOpsの問題は解決しません
  118. 最高のMLOpsツール:何を探し、どのように評価するか(NimbleBox.ai 別)
  119. MLOps と DevOps: 詳細な比較 (NimbleBox.ai 別)
  120. MLOps チームのセットアップガイド (NimbleBox.ai)

MLOps: ワークフロー管理

  1. オープンソースのワークフロー管理ツール:Ploomberによる調査
  2. データサイエンスワークフローに合わせてML実験追跡ツールを比較する方法(dagshubによる)
  3. 機械学習の実験を追跡するための15の最高のツール

MLOps: 機能ストア

クリックして展開!
  1. 機械学習メディアブログの機能ストア
  2. 機能ストアを使用した MLOps
  3. ML の機能ストア
  4. ホップスワークス:機能ストアを備えたデータ集約型AI
  5. Feast: 機械学習のためのオープンソース機能ストア
  6. 機能ストアとは
  7. ML 機能ストア: カジュアルツアー
  8. データ サイエンティストとビッグ データ プロフェッショナル向けの機能ストア アーキテクチャの包括的なリスト
  9. ML エンジニア ガイド: 機能ストアとデータ ウェアハウス (ベンダー ブログ)
  10. Redis、バイナリシリアライゼーション、文字列ハッシュ、および圧縮を使用したギガスケールML機能ストアの構築 (DoorDashブログ)
  11. 機能ストア: エンタープライズ AI のさまざまな利点。
  12. 機械学習の基盤としてのフィーチャ ストア
  13. Lyft の ML 機能サービング インフラストラクチャ
  14. セルフサービス機械学習の機能ストア
  15. 機械学習モデルの特徴管理を改善するために LinkedIn で使用されるアーキテクチャ。
  16. 虹の彼方にフィーチャーストアはありますか?ユースケースに適した機能ストアを選択する方法

MLOps: データ エンジニアリング (DataOps)

クリックして展開!
  1. 2020年のデータ品質の現状 – O'Reilly
  2. ML データに DevOps が必要な理由
  3. 機械学習のためのデータ準備 (7日間のミニコース)
  4. データクリーニングのベストプラクティス:データを収集する前後に行う必要のあるすべてのことの完全なガイド。
  5. データ、ビッグデータ、さらに大きなデータを処理するための17の戦略
  6. データ運用データ アーキテクチャ
  7. データオーケストレーション — 入門
  8. 2020年に注目すべき4つのデータトレンド
  9. CSE 291D / 234:機械学習のためのデータシステム
  10. 最新のデータエンジニアリングランドスケープの全体像
  11. GitHubアクションと大いなる期待とのデータの継続的インテグレーション。データパイプラインのCI/CDに一歩近づく
  12. 最新のデータインフラストラクチャのための新しいアーキテクチャ
  13. 素晴らしいデータエンジニアリング。データ エンジニアになるためのラーニング パスとリソース
  14. Airbnbのデータ品質 パート1 |パート2
  15. DataHub: 一般的なメタデータ アーキテクチャの説明
  16. フィナンシャルタイムズデータプラットフォーム:ゼロからヒーローへ。データプラットフォームの進化の詳細なウォークスルー
  17. Alki、または心配をやめて冷たいメタデータを愛することを学んだ方法(Dropbox)
  18. クリーンなデータへの初心者向けガイド。データ品質の問題を見つけて回避するための実用的なアドバイス(ベンジャミン・グレーブ著)
  19. ML Lake: 機械学習のための Salesforce のデータプラットフォームの構築
  20. データカタログ 3.0: モダンデータスタックのモダンメタデータ
  21. メタデータ管理システム
  22. データエンジニアに不可欠なリソース(スケーラブルなデータ処理のための厳選された推奨読み取りおよびウォッチリスト)
  23. 包括的でわかりやすいデータカタログ:メタデータ管理の何を、誰が、どこで、いつ、なぜ、どのように(ペーパー)
  24. 参加から学んだこと DataOpsアンリーシュド2021 (by ジェームズ・リー)
  25. 第一原理からより良いデータ カルチャーを目指す Uber の道のり
  26. ケルベロス - Python 用の軽量で拡張可能なデータ検証ライブラリ
  27. AWS Lake Formation と AWS Glue を使用してデータメッシュアーキテクチャを設計します。AWS ビッグデータブログ
  28. 本番環境におけるデータ管理の課題 機械学習 (スライド)
  29. 欠けているデータディスカバリおよびオブザーバビリティプラットフォーム:メタデータのオープンスタンダード
  30. 大規模なデータ保護の自動化
  31. 素晴らしいパイプラインツールキットの厳選されたリスト
  32. データ メッシュ アーキテクチャ
  33. 機械学習におけるデータ探索の基本ガイド (NimbleBox.ai)

MLOps: モデルのデプロイとサービング

クリックして展開!
  1. すべての人のためのAIインフラストラクチャ:決定されたAI
  2. MLflow と Docker を使用した R モデルのデプロイ
  3. 機械学習モデルをデプロイするとはどういう意味ですか?
  4. 機械学習展開のためのソフトウェアインターフェイス
  5. 機械学習デプロイのためのバッチ推論
  6. ML インフラストラクチャの AWS コスト最適化 - EC2 支出
  7. 機械学習とAIのためのCI/CD
  8. Itaú Unibanco: Kubeflow のオンライン トレーニングを使用して機械学習用の CI/CD パイプラインを構築した方法
  9. ML モデルを提供するための 101
  10. 機械学習モデルの本番環境へのデプロイ — 推論サービスアーキテクチャパターン
  11. サーバーレス ML: 軽量モデルを大規模にデプロイする
  12. ML モデルの本番環境へのロールアウト。パート1|パート2
  13. Flask、Docker、Kubernetes を使用した Python ML モデルのデプロイ
  14. ボディワークを使用した Python ML モデルのデプロイ
  15. 継続的なトレーニング戦略を成功させるためのフレームワーク。モデルはいつ再トレーニングする必要がありますか?どのデータを使用する必要がありますか?何を再訓練する必要がありますか?データ駆動型のアプローチ
  16. 効率的な機械学習推論。レイテンシーが重要なマルチモデルサービスの利点

MLOps: テスト、監視、メンテナンス

クリックして展開!
  1. 運用の可視化のためのダッシュボードの構築 (AWS)
  2. 運用環境での機械学習モデルの監視
  3. 機械学習システムの効果的なテスト
  4. 単体テストデータ:それは何であり、どのようにそれを行いますか?
  5. 機械学習のコードとシステムをテストする方法 (付随するコード)
  6. 呉、T.、ドン、Y.、ドン、Z.、シンガ、A.、チェン、X.、チャン、Y.、2020年。安全性と堅牢性に向けた人工知能システムのテスト:最先端。IAENGコンピュータサイエンス国際ジャーナル、47(3)。
  7. マルチアームバンディットとスティッチフィックス実験プラットフォーム
  8. 機械学習モデルの A/B テスト
  9. 機械学習のためのデータ検証。ポリゾティス、N.、ジンケビッチ、M.、ロイ、S.、ブレック、E.およびファン、S.、2019年。機械学習とシステム論文集
  10. 機械学習ベースのシステムのテスト:体系的なマッピング
  11. 説明可能な監視:盲目的に飛ぶのをやめてAIを監視する
  12. WhyLogs: ML システム全体でデータロギングを採用
  13. 明らかにAIです。本番環境での機械学習の実行に関する分析情報。(ベンダーブログ)
  14. AIを包括的に監視するための決定的なガイド
  15. 機械学習の単体テストの概要
  16. Production Machine Learning Monitoring: Outliers, Drift, Explainers & Statistical Performance
  17. MLOps でのテスト駆動開発パート 1
  18. ドメイン固有の機械学習の監視
  19. ML モデルのパフォーマンス管理の紹介 (フィドラーによるブログ)
  20. ML オブザーバビリティとは何ですか?(アリゼアイ)
  21. Beyond Monitoring: The Rise of Observability (Arize AI & Monte Carlo Data)
  22. モデル故障モード(アリゼAI)
  23. ML のデータ品質監視のクイック スタート (Arize AI)
  24. 運用環境でモデルのパフォーマンスを監視するためのプレイブック (Arize AI)
  25. プロパティベースのドメインカバレッジテストによる堅牢なML(Efemaraiによるブログ)
  26. 生産におけるモデルの監視と説明可能性
  27. 監視を超えて:オブザーバビリティの台頭
  28. MLモデルの監視–塹壕からの9つのヒント。(NU銀行による)
  29. LinkedInでの健康保証をモデル化します。By リンクトインエンジニアリング
  30. ディープラーニングコードを信頼する方法(付随するコード)
  31. グラウンドトゥルースを使用しない回帰モデルのパフォーマンスの推定 (NannyML を使用))
  32. 機械学習でのハイパーパラメータ調整の仕組み (NimbleBox.ai)

MLOps: インフラストラクチャとツール

クリックして展開!
  1. MLOps インフラストラクチャ スタック キャンバス
  2. 機械学習における標準スタックの台頭。支配的な新しいソフトウェアスタックが次世代の最先端AIアプリを解き放つ方法
  3. AIインフラストラクチャアライアンス。AI/ML の標準スタックの構築
  4. Linux Foundation AI Foundation
  5. 本番|のためのMLインフラストラクチャツールパート 1 — 本番 ML — モデルワークフローの最終段階 |パート 2 — モデルのデプロイとサービング
  6. MLOps スタック テンプレート (valohai)
  7. MLOps ツールのランドスケープのナビゲート
  8. MLOps.toysがキュレーションしたMLOpsプロジェクトのリスト(アポリアによる)
  9. Cloud MLOps プラットフォームの比較、元 AWS SageMaker PM から
  10. 機械学習エコシステム101(Arize AIによるホワイトペーパー)
  11. 最適な MLOps スタックの選択: 利点と課題。インテリ
  12. リアルタイム機械学習推論のためのインフラストラクチャ設計。データブリック ブログ
  13. 2021年AIインフラ状況調査
  14. AI インフラストラクチャの成熟度マトリックス
  15. 最高のオープンソースMLOpsツールの厳選されたコレクション。センシウス
  16. MLライフサイクルを管理するための最高のMLOpsツール(NimbleBox.ai 別)

MLOps ペーパー

2015年以降の機械学習の運用に関する科学および産業の論文とリソースのリスト。もっと見る。

MLOps について語る

クリックして展開!
  1. "MLOps: Automated Machine Learning" by Emmanuel Raj
  2. デリバリーコンファレンス2020。「機械学習の継続的デリバリー:パターンと痛み」エミリー・ゴルセンスキー
  3. MLOps カンファレンス: 2019 年の講演
  4. Kubecon 2019: Flyte: クラウドネイティブ機械学習およびデータ処理プラットフォーム
  5. Kubecon 2019: Lyft で Kubernetes 上で大規模なステートフル ワークロードを実行する
  6. 大規模な本番機械学習のためのCI/CDフレームワーク(Jenkins XとSeldon Coreを使用)
  7. MLOps 仮想イベント (データブリック)
  8. MLOps NY カンファレンス 2019
  9. MLOps.community YouTube チャンネル
  10. MLinプロダクション ユーチューブチャンネル
  11. データブリックでのエンドツーエンドの機械学習のための MLflow の導入。スパーク+AIサミット2020。ショーン・オーウェン
  12. MLOps チュートリアル #1: ML の継続的インテグレーションの概要
  13. 高速での機械学習:リアルタイムデータストリームのためのMLの運用化(2019)
  14. ダミアン・ブレイディ - MLopsの新興分野
  15. MLOps - Entwurf, Entwicklung, Betrieb (INNOQ Podcast (ドイツ語)
  16. 機械学習モデルのインストルメンテーション、オブザーバビリティ&モニタリング
  17. 効率的な ML エンジニアリング: ツールとベスト プラクティス
  18. jupyter ノートブックを超えて: データ サイエンス製品を構築する方法
  19. Google Cloud での MLOps の概要(最初の 19 分はベンダー、言語、フレームワークに依存しません。 @visenger)
  20. ML の中断: 1 つの大規模な ML パイプラインの 10 年間の停止
  21. クリーン機械学習コード:実用的なソフトウェア工学
  22. 機械学習工学:10の基礎プラクティケン
  23. 機械学習システムのアーキテクチャ(3部構成)
  24. 機械学習の設計パターン
  25. 本番環境へのモデルデプロイの手法とアプローチをカバーするレイリスト
  26. MLオブザーバビリティ:責任あるAIを確保するための重要な部分(再作業時にAIをアライズ)
  27. MLエンジニアリング対データサイエンス(アリゼAIアン/サミット)
  28. ML 向け SRE: 最初の 10 年間と次の 10 年間
  29. 本番環境における機械学習の謎を解き明かす:大規模なMLプラットフォームに関する推論
  30. 会議2022を適用する
  31. データブリックスのデータ+AIサミット2022
  32. リ•ワークMLOpsサミット2022
  33. 年次MLOps世界会議

既存の ML システム

クリックして展開!
  1. FBLearner Flowの紹介:FacebookのAIバックボーン
  2. TFX:テンソルフローベースの本番規模の機械学習プラットフォーム
  3. ML とデータのワークフローを本番環境に加速: Flyte
  4. Kubeflow パイプラインの使用を開始する
  5. ミケランジェロの紹介: Uber の機械学習プラットフォーム
  6. 中間子:Netflixのレコメンデーションのためのワークフローオーケストレーション
  7. Azure Machine Learning パイプラインとは何ですか?
  8. 自動運転車向けの Uber ATG の機械学習インフラストラクチャ
  9. ML 開発プラットフォームの概要
  10. シュノーケルAI:ML開発でデータを最優先する
  11. エンドツーエンドの機械学習プラットフォームのツアー
  12. AIの信頼性を飛躍的に前進させるWhyLabsの紹介
  13. プロジェクト: Ease.ml (スイス連邦工科大学チューリッヒ校)
  14. ボディワーク:モデルトレーニングと展開の自動化
  15. MLプラットフォームに関するレッスン — Netflix、DoorDash、Spotifyなどから
  16. 生産におけるデータサイエンスと機械学習に関する研究を共有する企業による論文と技術ブログ。オイゲン・ヤン
  17. さまざまなテクノロジー企業が社内MLプラットフォームの構築にどのようにアプローチしていますか?(つぶやき)
  18. 宣言型機械学習システム
  19. StreamING Machine Learning Models: ING が Apache Flink を使用して実行時に不正検出モデルを追加する方法

機械学習

クリックして展開!
  1. 著書、Aurélien Géron、「Scikit-Learn and TensorFlowによるハンズオン機械学習」
  2. 機械学習の基礎
  3. 機械学習を学ぶための最良のリソース
  4. 素晴らしいテンソルフロー
  5. 「コード付きペーパー」 - 機械学習の最先端を閲覧する
  6. 周志華。2012 アンサンブルメソッド:基礎とアルゴリズム。チャップマン&ホール/CRC。
  7. 機械学習のための特徴エンジニアリング。データサイエンティストのための原則とテクニック。アリス・チェン、アマンダ・カサリ
  8. Google リサーチ: 2019 年を振り返り、2020 年以降に向けて
  9. O'Reilly: The Road to Software 2.0
  10. 産業における機械学習とデータサイエンスの応用
  11. 異常検知のためのディープラーニング
  12. モバイルキーボード予測のためのフェデレーションラーニング
  13. フェデレーションラーニング。デフォルトでデバイス上のデータとプライバシーを使用してより良い製品を構築する
  14. フェデレーションラーニング:一元化されたトレーニングデータを使用しない共同機械学習
  15. ヤン、Q.、リュウ、Y.、チェン、Y.、カン、Y.、チェン、T.、Yu、H.、2019。連合学習。人工知能と機械学習に関する総合講義、13(3)。第1章と第2章。
  16. ファストフォワードによるフェデレーションラーニング
  17. THE FEDERATED & DISTRIBUTED MACHINE LEARNING CONFERENCE
  18. 連合学習:課題、方法、および将来の方向性
  19. 本:モルナー、クリストフ。「解釈可能な機械学習。ブラックボックスモデルを説明可能にするためのガイド」、2019
  20. 本:ハッター、フランク、ラース・コットホフ、ホアキン・ヴァンショーレン。「自動機械学習」。スプリンガー、2019年。
  21. コミュニティによってキュレーションされたトピック別の ML リソース。
  22. 機械学習の解釈可能性の紹介、パトリックホール、ナビディープギル、第2版。オライリー2019
  23. 解釈可能な機械学習 (ML) モデルのトレーニング、ML モデルの説明、精度、識別、セキュリティのための ML モデルのデバッグのための手法の例。
  24. 論文: "Machine Learning in Python: Main Development and Technology Trends in Data Science, Machine learning, and Artificial Intelligence", by Sebastian Raschka, Joshua Patterson, and Corey Nolet2020
  25. 蒸留:機械学習研究
  26. AtHomeWithAI:ディープマインドによるキュレーションされたリソースリスト
  27. 素晴らしいデータサイエンス
  28. 確率的プログラミング入門。テンソルフロー確率(TFP)を使用したユースケース
  29. シュノーケルに飛び込む:ドイツ語のテキストの弱い超転。イノベックスブログ
  30. ディープラーニングに飛び込みます。コード、数学、ディスカッションを含むインタラクティブなディープラーニングの本。NumPy/MXNet、PyTorch、および TensorFlow の実装を提供します。
  31. データ サイエンス収集リソース (GitHub リポジトリ)
  32. 図解された機械学習チートシートのセット
  33. アレクセイ・グリゴレフによる「機械学習ブックキャンプ」
  34. 130の機械学習プロジェクトの解決と説明
  35. 機械学習チートシート
  36. ステートオフハートAI。AIの共同開発を促進するために研究コミュニティによって構築されたオープンデータで無料のプラットフォーム
  37. オンライン機械学習コース:2020年版
  38. エンドツーエンドの機械学習ライブラリ
  39. Machine Learning Toolbox (by Amit Chaudhary)
  40. 機械学習の因果関係
  41. 勇敢で真の因果推論
  42. 因果推論
  43. 統計学、データサイエンス、物理学における因果関係のリソースリスト
  44. データから学ぶ。カリフォルニア工科大学
  45. 機械学習用語集
  46. 書籍:「分散機械学習パターン」。2022.元唐による。マニング
  47. 初心者のための機械学習 - カリキュラム
  48. 機械学習で友達を作る。キャシー・コジルコフ
  49. 機械学習ワークフロー - 完全ガイド (NimbleBox.ai)
  50. 機械学習プロジェクトで監視するパフォーマンス メトリック (NimbleBox.ai 別)

ソフトウェア工学

クリックして展開!
  1. 12の要素
  2. 著書「加速:リーンソフトウェアとDevOpsの科学:高性能テクノロジー組織の構築とスケーリング」、2018年、ニコール・フォースグレン・et.al
  3. 著書 "The DevOps Handbook" by Gene Kim, et al. 2016
  4. DevOps の現状 2019
  5. 機械学習とデータサイエンスに適応したクリーンコードの概念。
  6. SREスクール
  7. 人々が無視するソフトウェア工学の10の法則
  8. スケーラブルで信頼性が高く、高性能な大規模システムのパターン
  9. 秘密の知識の本
  10. コンウェイの法則の色合い
  11. データサイエンティストのためのエンジニアリングプラクティス

ML/AI の製品管理

クリックして展開!
  1. AI の製品管理について知っておくべきこと。AIのプロダクトマネージャーは、従来のPMが行うすべてのことなどを行います。
  2. AI製品を市場に投入する。以前の記事では、AI製品管理の基本について説明しました。ここで肉にたどり着きます:どのようにして製品を市場に投入しますか?
  3. ピープル+AIガイドブック
  4. ユーザーのニーズ + 成功の定義
  5. 機械学習製品の構築:明確に定義された問題は、半分解決された問題です。
  6. 講演: 優れた ML エクスペリエンスの設計 (Apple)
  7. プロダクトマネージャーのための機械学習
  8. ウォードリーマッピングによるデータランドスケープと戦略的プレイの理解
  9. 製品と機能全体で機械学習システムのプロトタイピングを行うための手法
  10. 機械学習とユーザーエクスペリエンス:いくつかのリソース
  11. AI アイディエーションキャンバス
  12. AIにおけるアイディエーション
  13. ビジネス向けの機械学習モデルを構築するための 5 つのステップ。By ショプティファイエンジニアリング
  14. データサイエンティストとビジネスリーダーのためのメトリック設計

ML/AI の経済学

クリックして展開!
  1. 著書:「予測機械:人工知能の単純な経済学」
  2. 著書: "The AI Organization" by David Carmona
  3. 著書:「AIで成功する」。2020.ヴェリコ・クルニッチ著。マニング・パブリケーションズ
  4. AIと経済に関する記事一覧
  5. ガートナーAIトレンド2019
  6. グローバルAI調査:AIはその価値を証明しているが、規模の影響はほとんどない
  7. AI の使用を開始するには?ここから始めましょう!プロジェクトに飛び込むために知っておくべきことすべて
  8. 機械学習プロジェクトを成功させる前に確認すべき 11 の質問
  9. AIがまだできないこと
  10. AIの謎を解き明かすパート4:AIキャンバスとは何ですか、そしてそれをどのように使用しますか?
  11. プロジェクトを開始するためのデータサイエンスワークフローキャンバス
  12. あなたのAIプロジェクトは初心者ではありませんか?これがあなたが難しい方法を学ぶことの苦痛を避けるのを助けるための現実チェック(リスト)です
  13. ほとんどのMLプロジェクトが失敗する主な理由は何ですか?
  14. 優れたデータ製品の設計。ドライブトレイン・アプローチ: データ製品を構築するための 4 段階のプロセス。
  15. AIの新しいビジネス(および従来のソフトウェアとの違い)
  16. AIスタートアップのためのアイデア迷路
  17. エンタープライズAIの課題:よくある誤解
  18. 誤解1(5のうち):エンタープライズAIは主にテクノロジーに関するものです
  19. 誤解2(5):自動化された機械学習がエンタープライズAIのロックを解除する
  20. ML搭載製品を設計するための3つの原則
  21. 機械学習の問題フレーミングのステップバイステップガイド
  22. 企業におけるAIの採用 2020
  23. MLOps の採用は、ML 文化を持つ企業にどのように役立ちますか?
  24. 組織に AI を組み込む
  25. AIが失敗した場合の対処方法
  26. 機械学習の問題フレーミングの概要
  27. AIユースケースを特定するための構造化されたアプローチ
  28. 著: "Machine Learning for Business" by Doug Hudgeon, Richard Nichol, O'Reilly
  29. 商用人工知能製品が拡張できない理由(FemTech)
  30. Google Cloud の AI 導入フレームワーク(ホワイト ペーパー)
  31. データサイエンスプロジェクト管理
  32. 著書: "Competition in the Age of AI" by Marco Iansiti, Karim R. Lakhani.ハーバードビジネスレビュープレス。 2020
  33. スタートアップが問うべきAIに関する3つの質問。1つ目は、AIが必要ですか?
  34. 尻尾を飼いならす:AI経済を改善する冒険
  35. AIエンジニアリングを採用するリスクの管理
  36. AI救世主主義を取り除く
  37. データサイエンスプロジェクトが失敗する理由をリストした記事のコレクション
  38. アンドリュー・ンによる最初のAIプロジェクトの選び方
  39. AIの目標を設定する方法
  40. 組織の学習によるAIの影響の拡大
  41. ポチョムキンデータサイエンス
  42. いつAIに投資すべきではないのですか?
  43. 機械学習モデルの90%が市場に出回らない理由。ほとんどの企業には、リーダーシップのサポート、チーム間の効果的なコミュニケーション、アクセス可能なデータが不足しています

モデルガバナンス、倫理、責任あるAI

このトピックは、新しい Awesome ML モデルガバナンスリポジトリに抽出されます。

MLOps: 人とプロセス

クリックして展開!
  1. ML チームのスケーリング (0 から 10 人)
  2. ナレッジリポジトリプロジェクトは、データサイエンティストと他の技術的役割との間の知識の共有を促進することに焦点を当てています。
  3. Airbnbで知識をスケーリングする
  4. 企業内でデータサイエンスチームを統合するためのモデル 比較分析
  5. なぜ、何を、どのようにフレームワークでより良く書く方法。データサイエンス/機械学習プロジェクトの設計文書を書く方法は?(ユージン・ヤン著)
  6. テクニカルライティングコース
  7. 中段階のスタートアップでデータチームを構築する:短編小説。エリック・ベルンハルトソン
  8. 企業における人工知能の文化的利点。サム・ランズボサム、フランソワ・カンデロン、デビッド・キロン、バート・ラファウンテン、シェルビン・コダバンデ

MLOps、機械学習、データサイエンスなどに関するニュースレター

クリックして展開!
  1. ML in Production ニュースレター
  2. MLOps.community
  3. アンドリー・ブルコフのニュースレター
  4. キャシー・コジルコフによる意思決定インテリジェンス
  5. データサイエンスに関するLaszloのニュースレター
  6. データエリクサーニュースレターは、ウェブ上からトップデータサイエンスピックを毎週提供しています。機械学習、データの視覚化、分析、戦略をカバーしています。
  7. トリスタン・ハンディによるデータサイエンスのまとめ
  8. ヴィッキーボイキスデータサイエンスに関するニュースレター
  9. Kナゲッツニュース
  10. アナリティクスVidhya、ビジネス分析、データサイエンス、ビッグデータ、データビジュアライゼーションツールとテクニックに関する質問
  11. データサイエンスウィークリーニュースレター:データサイエンスに関連する厳選されたニュース、記事、求人を特集した無料のウィークリーニュースレター
  12. 機械学習エンジニアニュースレター
  13. グラジエントフローは、詳細なカバレッジ、分析、洞察により、最新のテクノロジートレンドとツールの先を行くのに役立ちます。機械学習と AI を中心としたデータ、テクノロジー、ビジネスの最新情報をご覧ください
  14. ネイサン・ベナイチによるAIへのあなたのガイド。AIテクノロジー、地政学、研究、スタートアップの月次分析。
  15. O'Reilly Data & AI Newsletter
  16. アンドリュー・ンによるディープラーニング.aiのニュースレター
  17. ディープラーニングウィークリー
  18. Import AIは、人工知能に関する週刊ニュースレターで、1万人以上の専門家が読んでいます。ジャック・クラーク著。
  19. AI倫理ウィークリー
  20. 毎週のマシンインテリジェンスとデータサイエンスのニュースレターであるProject To Knowを発表
  21. TWIML:今週の機械学習とAIニュースレター
  22. featurestore.org:MLのフィーチャーストアに関する月刊ニュースレター
  23. DataTalks.Club コミュニティ: Slack、ニュースレター、ポッドキャスト、Weeekly Events
  24. 機械学習運用総まとめ
  25. エリック・マーによるデータサイエンスプログラミングニュースレター
  26. わずかに興味深い ミキオ・L・ブラウン著
  27. 同期
  28. グラウンドトゥルース:コンピュータビジョンプラクティショナーのためのニュースレター
  29. SwirlAI:データエンジニアリング、MLOps、および全体的なデータに焦点を当てたニュースレター by Aurimas Griciūnas

ツイッターフォロー

About

Author：visenger

Watch
Star
Fork