建構機器學習管道｜運用TensorFlow實現模型生命週期自動化

　　「本書是一本出色的參考資料，全面介紹ML產品系統，特別關注TFX。它包含最準確的資訊，並提供清晰、簡潔的解釋案例。」
　　—Robert Crowe
　　TensorFlow Developer Advocate, Google

　　公司在機器學習專案上耗費巨資，但如果不能有效地部署模型，無疑是在浪費金錢。在本書中，Hannes Hapke和Catherine Nelson將帶領您瞭解使用TensorFlow生態系統自動化機器學習管道的步驟。您將學習到將部署時間從幾天縮短到幾分鐘的技術和工具，進而更專注新模型的開發，而不是維護舊有的系統。

　　數據科學家、機器學習工程師和DevOps工程師將發現如何超越模型開發，成功地將他們的數據科學項目產品化，而管理人員將更瞭解他們在加速這些專案項目所扮演的角色。

　　‧瞭解構建機器學習管道的步驟
　　‧使用TensorFlow Extended中的組件建構您的管道
　　‧使用Apache Beam、Apache Airflow和Kubeflow管道來協作您的機器學習管道
　　‧使用TensorFlow數據驗證和TensorFlow轉換來處理數據
　　‧使用TensorFlow模型驗證對模型進行詳細分析
　　‧檢驗模型表現的公平性和偏誤性
　　‧使用TensorFlow Serving或TensorFlow Lite為移動設備部署模型
　　‧學習隱私保護(privacy-preserving)機器學習技術

作者簡介

Hannes Hapke、Catherine Nelson

　　Hannes和Catherine 都是SAP Concur實驗室的高級數據科學家，他們使用機器學習來改善商旅人士體驗並探索創新方法。Hannes對ML工程(如可擴展的模型部署)和NLP應用特別感興趣，Catherine則專注於模型分析、模型的可解釋性和隱私保護ML。