کتاب Automated Machine Learning in Action (یادگیری ماشین خودکار در عمل) به معرفی مفهوم و کاربردهای یادگیری ماشین خودکار (AutoML) می‌پردازد و نشان می‌دهد چگونه می‌توان فرآیندهای پیچیده‌ای مانند انتخاب مدل، تنظیم هایپرپارامترها، انتخاب ویژگی و حتی ترکیب مدل‌ها را به‌طور خودکار انجام داد. نویسنده با رویکردی عملی و پروژه‌محور، ابزارها و کتابخانه‌های مهم AutoML مانند Auto-sklearn، TPOT و H2O AutoML را آموزش می‌دهد و گام‌به‌گام نشان می‌دهد که چگونه می‌توان بدون نیاز به دانش عمیق در یادگیری ماشین، مدل‌های قدرتمند و بهینه ساخت.
در ادامه مقدمه‌ای از کتاب Automated Machine Learning in Action را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Automated Machine Learning in Action:
هدف یادگیری ماشین خودکار (AutoML) این است که یادگیری ماشین (ML) را برای همه، از جمله پزشکان، مهندسان عمران، دانشمندان مواد و صاحبان کسب‌وکارهای کوچک، و همچنین آماردانان و دانشمندان کامپیوتر، قابل دسترس کند. این چشم‌انداز بلندمدت بسیار شبیه به چشم‌انداز مایکروسافت آفیس (که کاربران عادی را قادر ساخت به راحتی اسناد ایجاد کنند و گزارش تهیه کنند) و دوربین‌های گوشی‌های هوشمند (که عکس گرفتن را در هر زمان و مکانی آسان کردند) است.
اگرچه جامعه ML تلاش‌های زیادی در تحقیق و توسعه برای دستیابی به این هدف انجام داده، ما از طریق همکاری با متخصصان و دانشمندان داده به این نتیجه رسیدیم که تقاضای زیادی برای آشکار کردن رازهای پشت پرده AutoML وجود دارد، از جمله مفاهیم بنیادی، الگوریتم‌ها و ابزارهای آن.
برای شروع، می‌خواهیم چند گامی را که ما را به اینجا رساندند، به اشتراک بگذاریم. (خب، حالا می‌توانید به محتوای اصلی بروید، اما چه کسی از یک داستان خوب بدش می‌آید؟)
سفر ما در دنیای علم داده و ML سال‌ها پیش آغاز شد و از آن زمان تاکنون مشغول تحقیق و توسعه الگوریتم‌ها و سیستم‌های ML از ابتدا بوده‌ایم. در روزهای اول، مانند بسیاری از شما، با معادلات پیچیده، نتایج ناپایدار و ترکیب‌های گیج‌کننده هایپرپارامترها عذاب می‌کشیدیم. بعدها، الگوریتم‌های پیشرفته‌تر توسعه یافتند و پیاده‌سازی‌های متن‌باز در دسترس قرار گرفتند. متأسفانه، آموزش یک مدل یادگیری ماشین/یادگیری عمیق مؤثر همچنان شبیه به کیمیاگری است و سال‌ها آموزش لازم است تا یک کیمیاگر ماهر شوید… بله، ما کیمیاگران معتبری هستیم.
در طول سال‌ها، بسیاری از متخصصان حوزه‌های مختلف به ما مراجعه کردند که می‌خواستند ابزار جادویی یادگیری ماشین را امتحان کنند، زیرا عملکرد فوق‌العاده‌ای در بسیاری از وظایف داشت (یا صرفاً به این دلیل که همه در مورد آن صحبت می‌کردند). جای تعجب نیست که این ابزار روی بسیاری از مجموعه‌های داده به خوبی کار کرد و روش‌های سنتی مبتنی بر قوانین یا اکتشافی را بهبود بخشید. پس از کار مداوم با افراد زیادی که وظایف مشابهی داشتند (دسته‌بندی، خوشه‌بندی و پیش‌بینی)، ما نه تنها از استفاده مکرر از ابزارهای ML خسته شدیم، بلکه احساس کردیم می‌توانیم کاری برای دموکراتیزه کردن ML برای همه انجام دهیم. AutoML، ما آمدیم!
از آن زمان، روی پروژه‌ای به نام “کشف مدل‌ها بر اساس داده” (D3M) با حمایت دارپا کار کردیم و پروژه متن‌باز AutoKeras را آغاز کردیم. از دیدن علاقه افراد زیادی به نرم‌افزار توسعه‌یافته ما خوشحال شدیم و آن‌ها بازخوردهای مثبت و گاهی تندی درباره ابزارهایی که توسعه داده بودیم ارائه کردند. در همین زمان، فرصت آشنایی و همکاری با محققان و مهندسان بزرگی که روی مشکلات مشابه کار می‌کردند را پیدا کردیم. همه چیز در مسیر درستی پیش می‌رفت!
چشم‌انداز ما با کار کردن با تعداد بیشتری از دانشمندان داده و مهندسان ML تکامل یافت. در ابتدا، ما فقط می‌خواستیم به افراد کمک کنیم تا به سرعت با چند خط کد از ML استفاده کنند، اما به تدریج متوجه شدیم که با مشکلات و وظایف پایین‌دستی بسیار زیادی روبرو هستیم و راه درازی برای رسیدن به این هدف داریم. مهم‌ترین نیاز این بود که بسیاری از متخصصان، روی سیستم‌های AutoML خود کار می‌کردند که می‌توانستند برای مشکلات کوچک و داخلی خود، مانند تشخیص خودکار داده‌های پرت، سیستم‌های توصیه‌گر خودکار، و مهندسی ویژگی خودکار، به خوبی اجرا شوند.
بنابراین، هدف ما تبدیل به این شد که ML را برای همه قابل دسترس کنیم. اوه! به نظر می‌رسد این همان برنامه اولیه ما بود! برای دستیابی بهتر به این هدف، تصمیم گرفتیم بخش بزرگی از وقتمان را صرف نوشتن این کتاب کنیم تا به شما کمک کنیم بهتر از ابزارهای AutoML استفاده کرده و به راحتی آن‌ها را توسعه دهید.
امیدواریم از کتاب Automated Machine Learning in Action لذت ببرید و منتظر بازخورد شما هستیم!
درباره کتاب Automated Machine Learning in Action
کتاب Automated Machine Learning in Action نوشته شده است تا به شما کمک کند مفاهیم اساسی AutoML را بیاموزید و تکنیک‌های آن را برای حل وظایف یادگیری ماشین و بهبود فرآیند یادگیری ماشین (ML) در عمل به کار بگیرید. این کار با کمک ابزارهای پیشرفته AutoML مانند AutoKeras و KerasTuner انجام می‌شود. کتاب Automated Machine Learning in Action با تمرکز بر عناصر AutoML و ارتباط آن با یادگیری ماشین آغاز می‌شود، سپس به تدریج شما را به جنبه‌های غیرملموس کار با مشکلات AutoML هدایت می‌کند، از مسائلی که کمترین تجربه در یادگیری ماشین را نیاز دارند تا آن‌هایی که بیشترین انعطاف‌پذیری در سفارشی‌سازی را فراهم می‌کنند.
کتاب Automated Machine Learning in Action برای چه کسانی است؟
این کتاب با هدف ارائه راهنمایی سیستماتیک برای یادگیری، استفاده و طراحی فرآیندهای کاربردی AutoML، برای دانشجویان، اساتید، متخصصان و محققانی است که می‌خواهند اصول اولیه AutoML را بیاموزند و تکنیک‌های آن را به کار گیرند. هدف ما این است که از فرمول‌ها و نمادهای ریاضی سنگین پرهیز کنیم و در عوض، مفاهیم و تکنیک‌های AutoML را با مثال‌های کاربردی خاص و قطعه‌کدهای طراحی، هم از دیدگاه کاربران و هم از دیدگاه توسعه‌دهندگان، معرفی کنیم.
سازماندهی کتاب Automated Machine Learning in Action: نقشه راه
کتاب Automated Machine Learning in Action سه بخش اصلی و نه فصل دارد:
بخش اول: مفاهیم و مدل‌های پایه
این بخش از کتاب Automated Machine Learning in Action، مفاهیم اصلی و برخی مدل‌های محبوب یادگیری ماشین را معرفی می‌کند تا به خوانندگان کمک کند بلوک‌های ساختاری اولیه یادگیری ماشین را بفهمند و دانش لازم برای یادگیری AutoML را به دست آورند. خوانندگانی که تجربه زیادی در حل مسائل ML ندارند، باید حتماً این بخش از کتاب را بخوانند تا برای یادگیری AutoML آماده شوند.
- فصل اول تعریف، ایده‌های اصلی و مفاهیم یادگیری ماشین خودکار را معرفی می‌کند.
- فصل دوم چندین مثال عملی از حل یک مسئله ML را بررسی می‌کند تا به شما در درک بلوک‌های ساختاری یادگیری ماشین و کسب دانش لازم برای یادگیری AutoML کمک کند.
- فصل سوم بلوک‌های ساختاری اولیه یادگیری عمیق را ارائه می‌دهد و به عنوان یک گام اولیه برای کمک به شما در درک بهتر روش‌های AutoML برای تولید و تنظیم روش‌های یادگیری عمیق است که در بخش دوم کتاب معرفی شده‌اند.
بخش دوم: کاربردها و راهکارها
این بخش از کتاب Automated Machine Learning in Action، راه‌هایی را برای به کارگیری AutoML جهت حل مسائل ML و بهبود راه‌حل‌های ML در عمل توضیح می‌دهد.
- فصل چهارم به شما می‌آموزد چگونه از AutoML برای ایجاد یک راه‌حل یادگیری عمیق کامل (end-to-end) به طور خاص برای مسائل یادگیری تحت نظارت (supervised learning) استفاده کنید.
- فصل پنجم به بحث در مورد سفارشی‌سازی فضای جستجوی AutoML بر اساس نیازهای شما و کشف خودکار انواع خاصی از راه‌حل‌های یادگیری عمیق برای انواع مختلف وظایف می‌پردازد.
- فصل ششم عمیقاً به سفارشی‌سازی فضای جستجوی AutoML می‌پردازد. طراحی لایه‌ای، انعطاف‌پذیری بیشتری را برای تنظیم مدل‌های یادگیری بدون نظارت (unsupervised learning) و بهینه‌سازی الگوریتم‌ها به شما می‌دهد.
بخش سوم: طراحی و راه‌اندازی پیشرفته
این بخش از کتاب Automated Machine Learning in Action، برخی طراحی‌ها و تنظیمات پیشرفته AutoML را از دیدگاه روش‌های جستجو و استراتژی‌های شتاب‌دهی بررسی می‌کند.
- فصل هفتم به بحث در مورد نحوه پیاده‌سازی یک روش جستجوی ترتیبی برای کاوش فضای جستجوی AutoML می‌پردازد.
- فصل هشتم تکنیک‌های مختلفی را برای شتاب بخشیدن به فرآیند جستجو با منابع محاسباتی محدود معرفی می‌کند.
-
فصل نهم مفاهیم اصلی که پوشش داده‌ایم را مرور می‌کند و فهرستی کوتاه از منابع و استراتژی‌ها برای گسترش افق‌های AutoML و به‌روز ماندن با آخرین پیشرفت‌ها را به شما ارائه می‌دهد.
سرفصل‌های کتاب Automated Machine Learning in Action:
- Automated Machine Learning in Action
- brief contents
- contents
- preface
- acknowledgments
- about this book
- Who should read this book
- How this book is organized: A road map
- About the code
- liveBook discussion forum
- Other online resources
- about the authors
- about the cover illustration
- Part 1- Fundamentals of AutoML
- 1 From machine learning to automated machine learning
- 2 The end-to-end pipeline of an ML project
- 3 Deep learning in a nutshell
- Part 2 – AutoML in practice
- 4 Automated generation of end-to-end ML solutions
- 5 Customizing the search space by creating AutoML pipelines
- 6 AutoML with a fully customized search space
- Part 3 – Advanced topics in AutoML
- 7 Customizing the search method of AutoML
- 8 Scaling up AutoML
- 9 Wrapping up
- appendix A-Setting up an environment for running code
- appendix B-Three examples: Classification of image, text, and tabular data
- index
جهت دانلود کتاب Automated Machine Learning in Action می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.