کتاب Machine Learning Engineering with Python

کتاب Machine Learning Engineering with Python یک منبع بسیار کاربردی برای یادگیری یادگیری ماشین با استفاده از زبان برنامه‌نویسی پایتون می‌باشد. این کتاب در 8 فصل علاوه بر آموزش تئوری‌های یادگیری ماشین، به آموزش عملی آن با استفاده از زبان برنامه‌نویسی پایتون می‌پردازد.

در ادامه مقدمه‌ای از کتاب Machine Learning Engineering with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning Engineering with Python:

یادگیری ماشینی (ML) به درستی به عنوان یکی از قدرتمندترین ابزارهای موجود برای سازمان ها برای استخراج ارزش از داده‌های خود شناخته می شود. از آنجایی که قابلیت‌های الگوریتم‌های ML در طول سال‌ها افزایش یافته است، به طور فزاینده‌ای آشکار شده است که پیاده‌سازی آن‌ها به روشی مقیاس‌پذیر، متحمل خطا و خودکار، یک رشته در نوع خود است. این رشته، مهندسی ML، تمرکز کتاب Machine Learning Engineering with Python است.

این کتاب موضوعات متنوعی را پوشش می‌دهد تا به شما در درک ابزارها، تکنیک‌ها و فرآیندهایی که می‌توانید برای مهندسی راه‌حل‌های ML خود بکار ببرید، با تأکید بر معرفی مفاهیم کلیدی کمک می‌کند تا بتوانید آن‌ها را در کار خود بسازید. بسیاری از مواردی که ما پوشش خواهیم داد همچنین به شما کمک می‌کند راه‌حل‌های خود را حفظ کرده و بر آن نظارت کنید.
تمام مثال‌های کد در پایتون، محبوب‌ترین زبان برنامه‌نویسی برای برنامه‌های داده ارائه شده‌اند.

پایتون یک زبان سطح بالا و شی‌گرا با اکوسیستم غنی از ابزارهای متمرکز بر علم داده و ML است. بسته‌هایی مانند scikit-learn و Pandas اغلب ستون فقرات کد مدل‌سازی ML را در تیم‌های علم داده در سراسر جهان تشکیل می‌دهند. در کتاب Machine Learning Engineering with Python، ما از این ابزارها نیز استفاده خواهیم کرد، اما در مورد چگونگی قرار دادن آن‌ها در خطوط لوله تولیدی و استقرار آن‌ها با استفاده از ابزارهای ابری و منبع باز مناسب بحث خواهیم کرد.

ما زمان زیادی را صرف نحوه ساخت بهترین مدل ML نخواهیم کرد، اگرچه برخی از ابزارهای پوشش داده شده مطمئناً به این امر کمک خواهند کرد. در عوض، هدف این است که بفهمید پس از داشتن یک مدل ML چه کاری باید انجام دهید.

بسیاری از مثال‌های موجود در کتاب Machine Learning Engineering with Python از خدمات و راه‌حل‌های خدمات وب آمازون (AWS) استفاده می‌کنند. با این حال، من معتقدم که توضیحات و بحث‌های همراه به این معنی است که شما همچنان می‌توانید همه چیزهایی را که در اینجا یاد می‌گیرید برای هر ارائه‌دهنده ابری یا حتی در یک محیط داخلی اعمال کنید.
مهندسی یادگیری ماشین با پایتون به شما کمک می‌کند تا چالش‌های تولید ML را طی کنید و به شما اعتماد به‌نفس برای شروع به کارگیری MLOps در سازمان‌هایتان می‌دهد.

کتاب Machine Learning Engineering with Python برای چه کسی است؟

این کتاب برای مهندسان ML، دانشمندان داده و توسعه‌دهندگان نرم‌افزار است که می‌خواهند راه‌حل‌های نرم‌افزاری قوی با اجزای ML بسازند. همچنین برای هر کسی که مدیریت می‌کند یا می خواهد چرخه عمر تولید این سیستم‌ها را درک کند، مرتبط است. این کتاب دانش سطح متوسط پایتون را در نظر گرفته است. دانش اولیه AWS و Bash نیز مفید خواهد بود.

آنچه کتاب Machine Learning Engineering with Python پوشش می‌دهد؟

فصل 1، مقدمه‌ای بر مهندسی ML

توضیح می‌دهد که منظور ما از مهندسی ML چیست و چگونه این موضوع با رشته‌های علم داده و مهندسی داده مرتبط است. آنچه را که باید برای ایجاد یک تیم مهندسی مؤثر ML انجام دهید و همچنین نحوه ظاهری راه‌حل‌های نرم‌افزاری واقعی حاوی ML را پوشش می‌دهد.

فصل 2، فرآیند توسعه یادگیری ماشین

یک فرآیند توسعه را بررسی می‌کند که تقریباً برای هر پروژه مهندسی ML قابل اجرا خواهد بود. در مورد چگونگی تنظیم ابزار توسعه خود برای موفقیت در فصل‌های بعدی نیز بحث می‌کند.

فصل 3، از مدل تا کارخانه مدل

به شما می‌آموزد که چگونه راه‌حل‌هایی بسازید که چندین مدل ML را در طول چرخه عمر محصول آموزش دهند. همچنین تشخیص رانش و خط لوله را پوشش می‌دهد تا به شما کمک کند تا تمرین‌های MLOps خود را بسازید.

فصل 4، Packaging Up

بهترین شیوه‌ها برای کدنویسی در پایتون و چگونگی ارتباط آن با ساخت بسته‌ها و کتابخانه‌های خود برای استفاده مجدد در چندین پروژه را مورد بحث قرار می‌دهد.

فصل 5، الگوها و ابزارهای استقرار

برخی از راه‌های استاندارد را به شما آموزش می‌دهد که می‌توانید سیستم ML خود را به مرحله تولید برسانید. به طور خاص، این فصل بر روی راه‌حل‌های میزبانی در فضای ابری تمرکز خواهد کرد.

فصل 6، افزایش مقیاس

به شما می آموزد که چگونه راه‌حل‌های خود را انتخاب کنید و آن‌ها را با استفاده از Apache Spark و زیرساخت بدون سرور به مجموعه داده‌های عظیم یا تعداد زیادی درخواست پیش‌بینی مقیاس دهید.

فصل 7، ساختن یک نمونه ML Microservice

نحوه استفاده از آنچه را که در جای دیگر کتاب Machine Learning Engineering with Python یاد گرفته‌اید برای ساخت یک سرویس پیش‌بینی که می‌تواند از طریق یک API راه‌اندازی شود، توضیح می‌دهد.

فصل 8، ساختن یک مورد کاربردی استفاده از یادگیری ماشین

نحوه استفاده از آنچه را که آموخته‌اید برای ساخت خط لوله‌ای که پردازش دسته‌ای را انجام می‌دهد، توضیح می‌دهد. ما این کار را با افزودن بسیاری از بهترین شیوه‌های مهندسی ML به تازگی به بسته ساده ایجاد شده در فصل 4، بسته‌بندی بالا، انجام می‌دهیم.

همچنین شما می‌توانید برای یادگیری مقدمات یادگیری ماشین و مفاهیم کلی و پیشرفته‌ی آن از کتاب Introduction to Machine Learning نیز استفاده نمائید.

سرفصل‌های کتاب Machine Learning Engineering with Python:

• Preface
• Section 1: What Is ML Engineering?
  • 1 Introduction to ML Engineering
  • 2 The Machine Learning Development Process
• Section 2: ML Development and Deployment
  • 3 From Model to Model Factory
  • 4 Packaging Up
  • 5 Deployment Patterns and Tools
  • 6 Scaling Up
• Section 3: End-to-End Examples
  • 7 Building an Example ML Microservice
  • 8 Building an Extract Transform Machine Learning Use Case
• Index

فایل کتاب Machine Learning Engineering with Python را می‌توانید پس از پرداخت، دریافت کنید.