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.
Ray помогает создавать приложения, способные эффективно работать с растущими объемами данных и вычислительных задач. Читатели смогут познакомиться с распределенной инфраструктурой для машинного обучения, научиться масштабировать Python-приложения и организовывать вычисления на нескольких узлах.
Python для высокопроизводительных вычислений
Книга будет полезна разработчикам, изучающим Python для машинного обучения, распределенные системы и технологии обработки данных. Практическое применение Ray позволяет ускорять выполнение задач, распределять нагрузку между вычислительными узлами и создавать более производительные программные решения.
Освоение инструментов Ray пригодится при разработке нейросетевых моделей, проведении экспериментов с алгоритмами и построении автоматизированных ML-процессов. Полученные навыки помогут лучше понимать архитектуру распределенных систем и применять их в реальных проектах Data Science.
Экосистема Ray особенно интересна специалистам, работающим с обучением нейронных сетей, большими данными и облачными вычислениями. Благодаря поддержке кластеров и специализированных библиотек фреймворк можно использовать для построения гибких решений, которые адаптируются к увеличению нагрузки и объема вычислений.