Изучаем Ray. Гибкие распределенные вычисления на Python в машинном обучении
Данная книга поможет программистам на Python, инженерам и исследователям данных научиться применять фреймворк распределенных вычислений с открытым исходным кодом Ray и разворачивать вычислительные кластеры Ray. Ray может использоваться для структурирования и выполнения крупномасштабных программ машинного обучения. Распределенные вычисления отличаются своей сложностью, но с помощью Ray вы легко приступите к работе.
Прочитав книгу, вы научитесь:
- создавать свои первые распределенные приложения с помощью ядра фреймворка – Ray Core;
- оптимизировать гиперпараметры с помощью библиотеки Ray Tune;
- применять библиотеку Ray RLlib для обучения с подкреплением;
- управлять распределенной тренировкой моделей с помощью библиотеки Ray Train;
- применять Ray для обработки данных с помощью библиотеки Ray Data;
- работать с кластерами Ray и подачей моделей в качестве служб с помощью библиотеки Ray Serve;
- создавать сквозные приложения машинного обучения с помощью инструментария Ray AIR.
Что вы получите после изучения книги
Книга поможет глубже разобраться в том, как организовать распределенные вычисления на Python для задач машинного обучения. Вы сможете применять Ray для работы с большими объемами данных, ускорения вычислений и построения масштабируемых ML-приложений.
Практическое освоение Ray позволит эффективнее использовать вычислительные ресурсы, создавать отказоустойчивые распределенные системы и запускать модели в средах с несколькими узлами. Материал будет полезен специалистам, которые изучают масштабирование машинного обучения и современные инструменты Python.
Ray для масштабирования машинного обучения
Издание также подойдет тем, кто хочет освоить параллельные вычисления, распределенную обработку данных и построение производительных решений для Data Science. Работа с Ray дает возможность переносить вычислительно сложные задачи на кластеры и рационально распределять нагрузку между ресурсами.
Практические знания из книги можно применять при создании ML-пайплайнов, автоматизации обучения моделей и разработке систем для работы с большими наборами данных. Ray объединяет инструменты для обучения, оптимизации, обработки данных и развертывания моделей в единую экосистему.
Материал будет полезен разработчикам, которые хотят изучить кластерные вычисления Python, повысить скорость обработки задач и получить практический опыт построения масштабируемых ML-систем. Книга станет хорошей основой для дальнейшего изучения распределенного машинного обучения и современных технологий искусственного интеллекта.
