쿠버플로우 책 추천

데이터 분석을위한 Python , 2nd Edition, Wes McKinney (O'Reilly)

Data Science from Scratch , 2nd Edition, by Joel Grus (O'Reilly)

Andreas C. Müller와 Sarah Guido (O'Reilly)의 Python 을 사용한 기계 학습 소개

Aurélien Géron (O'Reilly)의 Scikit-Learn, Keras, TensorFlow 2nd Edition을 사용한 실습 머신 러닝

Kubernetes : Brendan Burns et al. (오라일리)

Holden Karau 외 학습 Spark (오라일리)

기계 학습 을 위한 기능 엔지니어링 ( Alice Zheng 및 Amanda Casari (O'Reilly))

Hannes Hapke와 Catherine Nelson (O'Reilly)의 기계 학습 파이프 라인 구축

Apache Mahout : Beyond MapReduce , Dmitriy Lyubimov 및 Andrew Palumbo (CreateSpace)

R Cookbook , 2nd Edition, JD Long 및 Paul Teetor (O'Reilly)

Boris Lublinsky (O'Reilly)의 기계 학습 모델 제공

Danilo Sato et al.의 "기계 학습을위한 지속적인 제공"

Christoph Molnar의 해석 가능한 기계 학습 (자체 게시)

Jason Brownlee의 "머신 러닝의 개념 드리프트에 대한 부드러운 소개"

A. Besir Kurtulmus의 "모델 드리프트 및 건강한 기계 학습 수명주기 보장"

Alex Vikati 의“The Rise of the Model Servers”

Rui Aguiar의 "현대 기계 학습의 모델 설명 가능성 개요"

Chris Albon (O'Reilly)의 Python Cookbook 을 사용한 기계 학습

Chris Albon의 기계 학습 플래시 카드

물론 다른 많은 것들이 있지만 시작해야합니다. 이 목록에 압도 당하지 마십시오. Kubeflow를 효과적으로 배포하고 관리하기 위해 이러한 각 주제에 대한 전문가가 될 필요는 없습니다. 실제로 Kubeflow는 이러한 많은 작업을 간소화하기 위해 존재합니다. 그러나 좀 더 깊이 탐구하고 싶은 주제가있을 수 있으므로 "시작하기"목록으로 생각해야합니다.

컨테이너와 Kubernetes는 광범위하고 빠르게 진화하는 실행 영역입니다. Kubernetes에 대한 지식을 심화하려면 다음을 살펴 보는 것이 좋습니다.

Justin Garrison 및 Kris Nova (O'Reilly)의 클라우드 네이티브 인프라

Kubernetes : Brendan Burns et al. (오라일리)