کتاب Machine Learning System Design: With end-to-end examples (طراحی سیستم‌های یادگیری ماشین: با مثال‌های جامع) یک راهنمای عملی برای برنامه‌ریزی و طراحی موفق برنامه‌های یادگیری ماشین است. این کتاب یک چارچوب روشن و قابل تکرار برای ساخت، نگهداری و بهبود سیستم‌ها در هر مقیاسی ارائه می‌دهد. از پوشش جمع‌آوری اطلاعات تا حفظ سیستم، هر بخش از چرخه عمر سیستم در این کتاب بررسی می‌شود.
در ادامه مقدمه‌ای از کتاب Machine Learning System Design را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine Learning System Design:
نه آرنی (بازاریابی آنلاین) و نه والری (شیمی‌سنجی) در اوایل کار خود ارتباط زیادی با یادگیری ماشین (ML) نداشتند. با این حال، این ابزارهای ریاضی مانند مدل‌های رگرسیون و تحلیل مؤلفه‌های اصلی بود که علاقه ما را به استخراج حداکثر ارزش از داده‌ها برانگیخت. هر یک از ما سفر خود را در اوایل دهه 2010 آغاز کردیم، به طوری که والری در نهایت نقش‌های رهبری سازمانی در علم داده را در شرکت‌هایی مانند فیس‌بوک، علی‌بابا، Blockchain.com و BP بر عهده گرفت و آرنی مهارت‌های مهندسی خود را در استارت‌آپ‌های فناوری عمیق در مراحل مختلف رشد تقویت کرد.
قبل از اینکه در نوشتن این کتاب با هم همکاری کنیم، تنها اشتراک کارهای ما در Kaggle بود که در آن به وضعیت استاد بزرگ رسیدیم و زمانی در بین 30 نفر برتر جهان قرار داشتیم. آرنی یک استاد Kaggle با تخصص گسترده در ML رقابتی است، در حالی که هر دو نویسنده تلاش می‌کنند دانش و تجربه خود را به عنوان سخنرانان عمومی در مورد موضوعات مرتبط با ML به اشتراک بگذارند.
همکاری ما تجربه عملی آرنی در ساخت و بهینه‌سازی سیستم‌های ML را با چشم‌انداز استراتژیک و رهبری والری در شرکت‌های مبتنی بر داده ترکیب می‌کند. از پردازش ویدیوی بلادرنگ و بهینه‌سازی خرده فروشی تا تجزیه و تحلیل تراکنش‌های مالی، ما سعی کرده‌ایم تخصص ترکیبی خود را به اصول اساسی برای ساخت سیستم‌های کاربردی ML تبدیل کنیم.
با وجود تفاوت در مسیرهای شغلی، هر دو متوجه شدیم که بین دانستن الگوریتم‌های ML و نحوه اعمال موثر آنها در سناریوهای دنیای واقعی، شکافی وجود دارد. ما شاهد بودیم که ذهن‌های درخشان برای اتصال نقاط و ترکیب دانش پراکنده در یک تصویر منسجم تلاش می‌کنند. این چالش بود که ما را به نوشتن این کتاب ترغیب کرد.
بیشتر بخوانید: کتاب Python Machine Learning By Example
درباره کتاب Machine Learning System Design
طراحی سیستم‌های یادگیری ماشین یک راهنمای جامع و گام به گام است که برای کمک به شما در کار بر روی سیستم یادگیری ماشین خود در هر مرحله از ایجاد آن طراحی شده است – از جمع‌آوری اطلاعات و انجام مراحل مقدماتی تا پیاده‌سازی، انتشار و نگهداری مداوم.
همانطور که از عنوان پیداست، این کتاب به طراحی سیستم‌های یادگیری ماشین اختصاص دارد و بر روی یک فناوری خاص متمرکز نیست، بلکه یک چارچوب کلی در مورد چگونگی رویکرد به مشکلات مربوط به ساخت، نگهداری و بهبود سیستم‌های یادگیری ماشین در مقیاس‌ها و سطوح پیچیدگی مختلف ارائه می‌دهد.
همانطور که ML و AI روز به روز بزرگ‌تر می‌شوند، کتاب‌ها و دوره‌های زیادی در مورد الگوریتم‌ها، دامنه‌ها و سایر جنبه‌های خاص وجود دارد. با این حال، آنها یک چشم‌انداز کامل ارائه نمی‌دهند. این منجر به مشکلی می‌شود که آرنی و والری در چندین شرکت مشاهده کرده‌اند، جایی که مهندسان قوی با موفقیت زیرساخت‌های پراکنده‌ای می‌سازند که نمی‌توان آنها را به یک سیستم کاملاً کاربردی و قابل اعتماد ترکیب کرد. این کتاب هدف دارد تا از جمله موارد دیگر، این شکاف را پر کند.
کتاب Machine Learning System Design برای مبتدیان مناسب نیست. ما انتظار داریم خوانندگان ما با اصول اولیه ML آشنا باشند (شما می‌توانید یک کتاب درسی ML برای دانشجویان کارشناسی را درک کنید) و در برنامه‌نویسی کاربردی مسلط باشند (شما با چالش‌های واقعی برنامه‌نویسی خارج از محیط مطالعه روبرو شده‌اید).
چه کسانی باید کتاب Machine Learning System Design را بخوانند؟
امیدواریم این کتاب برای مهندسان حرفه‌ای مفید باشد تا مهارت‌های خود را در ساخت و نگهداری سیستم‌های قوی ML بهبود بخشند و مطمئن شوند که هیچ نکته مهمی را از دست نمی‌دهند.
ترجمه تخصصی‌تر برخی اصطلاحات:
- ML system design: طراحی سیستم یادگیری ماشین
- framework: چارچوب، ساختار
- ML algorithms: الگوریتم‌های یادگیری ماشین
- AI: هوش مصنوعی
چگونه کتاب Machine Learning System Design ساختار یافته است: یک نقشه راه
ساختار این کتاب به صورت یک چک لیست یا راهنما طراحی شده است، با تزریق داستان‌هایی از تجربه شخصی ما. این کتاب را می‌توان به طور کامل خواند یا در هر لحظه که روی جنبه خاصی از سیستم ML کار می‌کنید، از آن استفاده کرد. در عین حال، سعی کرده‌ایم از تبدیل آن به یک کتاب درسی یا دوره کلاسیک یادگیری ماشین یا یادگیری عمیق خودداری کنیم.
ما کتاب را به چهار بخش اصلی تقسیم کرده‌ایم تا ساختار آن با چرخه عمر هر سیستم همخوانی داشته باشد:
- کشف
- ساختن هسته
- بهبود
- نگهداری
فصل‌های 1 تا 8 کتاب Machine Learning System Design بر مراحل اولیه طراحی سیستم ML تمرکز دارند. در طول فصل‌های 1 تا 4، ما بر آگاهی کلی و درک مشکلی که سیستم شما باید حل کند تمرکز می‌کنیم و مراحل مورد نیاز قبل از شروع توسعه سیستم را تعریف می‌کنیم. این مرحله به ندرت شامل نوشتن کد می‌شود و بیشتر بر روی نمونه‌های اولیه کوچک یا اثبات مفهوم تمرکز دارد.
فصل‌های 5 تا 8 کتاب Machine Learning System Design به جزئیات فنی کارهای اولیه مرحله می‌پردازند. این مرحله به مطالعه و برقراری ارتباط زیادی نیاز دارد که برای درک یک مشکل، تعریف چشم‌اندازی برای راه حل‌های ممکن و همسو کردن انتظارات با سایر مشارکت‌کنندگان در پروژه بسیار مهم است. اگر یک سیستم ML را با بدن انسان مقایسه کنیم، این مرحله مربوط به تشکیل اسکلت است.
فصل‌های 9 تا 12 کتاب Machine Learning System Design بر مراحل میانی تمرکز دارند. در این مرحله از چرخه عمر سیستم، برنامه مهندسان مسئول معمولاً تغییر می‌کند و تحقیق و ارتباط کمتر و کار عملی بیشتری برای پیاده‌سازی و بهبود سیستم وجود دارد. در اینجا، ما بر سوالاتی مانند چگونگی ساخت سیستم جامد، دقیق و قابل اعتماد تمرکز می‌کنیم. با ادامه دادن به تشبیه بدن انسان، اینجاست که سیستم عضلات خود را رشد می‌دهد.
بخش نهایی، شامل فصل‌های 13 تا 16 کتاب Machine Learning System Design، به ادغام و رشد اختصاص دارد. برای یک ناظر بی‌تجربه، ممکن است سیستم آماده به نظر برسد، اما این یک تصور نادرست است. جنبه‌های متعدد (عمدتاً مرتبط با مهندسی) وجود دارد که باید قبل از راه‌اندازی موفقیت‌آمیز سیستم در نظر گرفته شود.
در دنیای نرم‌افزار، شکست یک سیستم به ندرت مانند مهندسی عمران فاجعه‌بار است، اما همچنان یک سناریوی ناخواسته است. بنابراین در این مرحله یاد خواهید گرفت که چگونه سیستم خود را قابل اعتماد، قابل نگهداری و مقاوم در برابر آینده کنید. اگر هنوز از تشبیه بدن انسان خسته نشده‌اید، اینجاست که سیستم به خرد می‌رسد، زیرا قدرت مهار نشده می‌تواند منجر به هیچ چیز جز مشکل شود.
سرفصل‌های کتاب Machine Learning System Design:
- Machine Learning System Design
- brief contents
- contents
- preface
- acknowledgments
- about this book
- Who should read this book?
- How this book is organized: A roadmap
- liveBook discussion forum
- about the authors
- about the cover illustration
- Part 1 Preparations
- 1 Essentials of machine learning system design
- 2 ls there a problem?
- 3 Preliminary research
- 4 Design document
- Part 2 Early stage
- 5 Loss functions and metrics
- 6 Gathering datasets
- 7 Validation schemas
- 8 Baseline solution
- Part 3 Intermediate steps
- 9 Error analysis
- 10 Training pipelines
- 11 Features and feature engineering
- 12 Measuring and reporting results
- Part 4 Integration and growth
- 13 Integration
- 14 Monitoring and reliability
- 15 Serving and inference optimization
- 16 Ownership and maintenance
- index
- Machine Learning System Design – back
جهت دانلود کتاب Machine Learning System Design می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.