「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

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。

第一章 導論
第二章 TensorFlow Extended 簡介
第三章 數據擷取
第四章 數據驗證
第五章 資料預處理
第六章 模型訓練
第七章 模型分析與驗證
第八章 TensorFlow Serving 的模型部署
第九章 TensorFlow Serving 的高級模型部署
第十章 進階 TensorFlow Extended
第十一章 管道第一部分：Apache Beam 與 Apache Airflow
第十二章 管道第二部分：Kubeflow 管道
第十三章 反饋循環
第十四章 機器學習的數據隱私
第十五章 管道的未來與下一步

附錄A 機器學習基礎架構介紹
附錄B 在 Google Cloud 上設置 Kubernetes 集群
附錄C 操作 Kuberflow 管道的技巧