您是否想了解如何应用 TFX 来构建满足您需求的解决方案？以下深入文章和指南可能会有所帮助！
用于近实时项目匹配的机器学习系统架构
使用本文档了解学习和服务项目嵌入的机器学习 (ML) 解决方案的架构。嵌入可以帮助您了解客户认为哪些项目相似，这使您能够在应用程序中提供实时“相似项目”建议。此解决方案向您展示如何识别数据集中的相似歌曲，然后使用此信息进行歌曲推荐。 阅读更多
机器学习的数据预处理：选项和建议
这篇文章分为两部分，探讨了机器学习 (ML) 的数据工程和特征工程主题。第一部分讨论了在 Google Cloud 上的机器学习管道中预处理数据的最佳实践。本文重点介绍使用 TensorFlow 和开源 TensorFlow Transform (tf.Transform) 库来准备数据、训练模型以及服务模型以进行预测。这部分重点介绍了为机器学习预处理数据的挑战，并说明了在 Google Cloud 上有效执行数据转换的选项和场景。 第一部分 第二部分
使用 TFX、Kubeflow 管道和 Cloud Build 的 MLOps 架构
本文档描述了使用 TensorFlow Extended (TFX) 库的机器学习 (ML) 系统的整体架构。它还讨论了如何使用 Cloud Build 和 Kubeflow 管道为 ML 系统设置持续集成 (CI)、持续交付 (CD) 和持续训练 (CT)。 阅读更多
MLOps：机器学习中的持续交付和自动化管道
本文档讨论了在机器学习 (ML) 系统中实施和自动化持续集成 (CI)、持续交付 (CD) 和持续训练 (CT) 的技术。数据科学和 ML 正在成为解决复杂现实世界问题、改变行业并在所有领域创造价值的核心能力。 阅读更多
在 Google Cloud 上设置 MLOps 环境
本参考指南概述了 Google Cloud 上机器学习运营 (MLOps) 环境的架构。本指南附带 GitHub 上的动手实验，指导您完成此处描述的环境配置过程。几乎所有行业都在以前所未有的速度采用机器学习 (ML)。从 ML 中获取价值的关键挑战在于创建有效部署和运营 ML 系统的方法。本指南面向机器学习 (ML) 和 DevOps 工程师。 了解更多
MLOps 基础的关键要求
人工智能驱动的组织正在利用数据和机器学习来解决他们最棘手的问题，并从中获益。
“到 2025 年，将人工智能完全融入其价值创造工作流程的公司将主导 2030 年的全球经济，其现金流增长率将超过 120%。”，麦肯锡全球研究院如是说。
但现在并不容易。如果管理不善，机器学习 (ML) 系统有特殊的能力会产生技术债务。 了解更多
如何在云中使用 Scikit-Learn 创建和部署模型卡
机器学习模型现在被用于完成许多具有挑战性的任务。凭借其巨大的潜力，ML 模型也引发了对其使用、构建和局限性的疑问。记录这些问题的答案有助于带来清晰度和共同理解。为了帮助推进这些目标，Google 推出了模型卡。 了解更多
使用 TensorFlow Data Validation 大规模分析和验证机器学习数据
本文档讨论了如何在实验期间使用 TensorFlow Data Validation (TFDV) 库进行数据探索和描述性分析。数据科学家和机器学习 (ML) 工程师可以在生产 ML 系统中使用 TFDV 来验证在持续训练 (CT) 管道中使用的数据，以及检测用于预测服务的接收数据中的偏差和异常值。它包括动手实验。 了解更多