کتاب Learning AutoML

کتاب Learning AutoML: Automating ML Pipelines with AutoGluon, Leading Frameworks, and Real-World Integration (یادگیری AutoML: خودکارسازی خطوط لوله یادگیری ماشین با AutoGluon، فریمورک‌های پیشرو و یکپارچه‌سازی در دنیای واقعی) یک راهنمای عملی برای متخصصان داده، مهندسان یادگیری ماشین و توسعه‌دهندگانی است که می‌خواهند فرآیندهای پیچیده ساخت، بهینه‌سازی و استقرار مدل‌های یادگیری ماشین را با استفاده از تکنیک‌های خودکارسازی (AutoML) ساده‌سازی کنند.

در ادامه مقدمه‌ای از کتاب Learning AutoML را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Learning AutoML:

چرا این کتاب را نوشتم

در طول حرفه‌ای من که دهه‌ها در علم داده و تحلیل داده‌ها سپری شده است، شاهد تحولی شگرف در نحوه رویکرد سازمان‌ها به یادگیری ماشین بوده‌ام. آنچه روزگاری به تیم‌هایی از متخصصان سطح دکترا و ماه‌ها کار دستی طاقت‌فرسا نیاز داشت، اکنون می‌تواند توسط متخصصان حوزه در عرض روزها یا حتی ساعت‌ها انجام شود. این دموکراتیک‌سازی قابلیت‌های یادگیری ماشین از طریق AutoML یکی از مهم‌ترین تغییراتی است که در این زمینه مشاهده کرده‌ام.

با وجود اهمیت روزافزون AutoML، متوجه شکاف بحرانی در منابع موجود شدم. بیشتر مستندات AutoML بر روی ابزارهای خاص تمرکز دارند یا مرورهای سطح بالا بدون راهنمایی عملی پیاده‌سازی ارائه می‌دهند. مقالات آکادمیک به جزئیات الگوریتمی عمیق می‌پردازند اما اغلب فاقد بافت دنیای واقعی هستند. آنچه کم بود، منبعی جامع بود که نظریه و عمل را پیوند دهد – منبعی که نه تنها نحوه کار AutoML را توضیح دهد، بلکه چه زمانی و چرا باید از رویکردهای مختلف استفاده کرد و چگونه آنها را در گردش‌های کاری واقعی کسب‌وکار ادغام کرد.

این شکاف به ویژه در کار من در سازمان‌های حوزه مالی، مراقبت سلامت، خرده‌فروشی و فناوری آشکار شد. بارها و بارها با متخصصان مستعدی برخورد کردم که مشکلات حوزه خود را عمیقاً درک می‌کردند اما در پیمایش مؤثر چشم‌انداز AutoML مشکل داشتند. آنها به راهنمایی در انتخاب ابزارهای مناسب، درک تعادل‌های بین رویکردهای مختلف، و پیاده‌سازی راهکارهایی که در محیط تولید پایدار بمانند – به ویژه در صنایع تحت نظارت که شفافیت، اعتماد و حاکمیت اهمیت دارند – نیاز داشتند.

بیشتر تجربه عملی پشت کتاب Learning AutoML را در حین آزمایش با ابزارهایی که پوشش می‌دهد و استفاده از AutoGluon برای ساختن محصولی برای شرکت من، med-essence.de، به دست آوردم. AutoGluon را برای هدف خود مناسب یافتم و از آن برای بردن یکی از موارد استفاده خود به محیط تولید استفاده کردم. در حالی که توانستم اطلاعات زیادی از اینترنت و مقالات و کتاب‌های مختلف جمع‌آوری کنم، همچنین مجبور شدم از صفحات گیت‌هاب، منابع پراکنده و گاهی مستندات ناقص نرم‌افزارهای متن‌باز از طریق آزمایش و اعتبارسنجی یاد بگیرم. این کتاب حاصل آن تلاش چندساله است.

همکاری اخیر من با توماس داونپورت و ایان بارکین در موضوعی که بررسی می‌کرد چگونه ابزارهای هوش مصنوعی «توسعه‌دهندگان شهروند» را توانمند می‌سازند، این ایده را بیشتر تقویت کرد. ما مشاهده کردیم که در حالی که فناوری به سرعت در حال دموکراتیک‌سازی توسعه هوش مصنوعی است، شکاف بین ابزارهای موجود و دانش عملی همچنان قابل توجه است. سازمان‌ها به چیزی بیش از دسترسی به پلتفرم‌های AutoML نیاز دارند – آنها به درکی روشن از نحوه استفاده استراتژیک و مسئولانه از این ابزارها نیاز دارند. نحوه ورود این راهکارهای توسعه‌یافته توسط شهروندان به محیط تولید نیز منطقه خاکستری است.

کتاب Learning AutoML تلاش من برای پر کردن آن شکاف دانشی است. با تکیه بر سال‌ها تجربه عملی در پیاده‌سازی راهکارهای تحلیلی، توسعه محصولات با استفاده از ابزارهای سنتی و AutoML مانند AutoGluon و TPOT، آموزش این مفاهیم به مخاطبان متنوع، و مشاهده آنچه در استقرارهای دنیای واقعی کار می‌کند (و آنچه کار نمی‌کند)، منبعی را طراحی کرده‌ام که هم به تازه‌کارانی که به دنبال درک اصول AutoML هستند و هم به متخصصان باتجربه‌ای که به دنبال تعمیق مهارت‌های پیاده‌سازی خود هستند، خدمت می‌کند.

کتاب Learning AutoML به جای طرفداری از هر ابزار یا رویکرد خاصی، دیدگاهی متعادل از اکوسیستم AutoML ارائه می‌دهد. پوشش دقیقی از مفاهیم هسته، مانند بهینه‌سازی فراپارامتر و جستجوی معماری عصبی، در کنار آموزش‌های عملی با استفاده از AutoGluon، یکی از توانمندترین و در دسترس‌ترین فریمورک‌های AutoML موجود امروز، خواهید یافت. مهمتر از همه، دانش لازم برای تصمیم‌گیری آگاهانه در مورد زمان و نحوه اعمال AutoML در زمینه خاص خود را به دست خواهید آورد.

چه کسانی باید کتاب Learning AutoML را بخوانند

کتاب Learning AutoML برای هر کسی طراحی شده است که می‌خواهد یادگیری ماشین خودکار را درک کند و به طور مؤثر به کار گیرد، صرف نظر از پیشینه فنی فعلی‌اش. محتوای کتاب به گونه‌ای ساختاردهی شده است که همزمان به چندین مخاطب خدمت کند، و خوانندگان مختلف احتمالاً بر اساس نیازها و سطوح تجربه خود بر بخش‌های مختلف تمرکز می‌کنند.

دانشمندان داده و مهندسان یادگیری ماشین پوشش جامعی از مبانی فنی AutoML، تحلیل تطبیقی رویکردهای بهینه‌سازی مختلف، و تکنیک‌های پیشرفته برای سفارشی‌سازی گردش‌های کاری خودکار خواهند یافت. حتی اگر قبلاً با یادگیری ماشین سنتی تجربه دارید، کتاب Learning AutoML به شما کمک می‌کند تا درک کنید که AutoML چگونه می‌تواند کار شما را تسریع کند و قابلیت‌های شما را گسترش دهد. بخش‌های مربوط به بهینه‌سازی فراپارامتر، جستجوی معماری عصبی، و یکپارچه‌سازی تولید، عمقی فراتر از مستندات معمول ابزارها ارائه می‌دهند.

تحلیلگران کسب‌وکار و متخصصان حوزه مهم‌ترین مخاطبان کتاب Learning AutoML هستند. اگر داده‌ها و مشکلات کسب‌وکار سازمان خود را درک می‌کنید اما فاقد تجربه برنامه‌نویسی گسترده هستید، بخش‌های عملی با استفاده از AutoGluon شما را قادر می‌سازد تا مدل‌های پیچیده‌ای با حداقل کدنویسی بسازید. مثال‌ها و مطالعه‌های موردی خاص صنعت به شما کمک می‌کند تا فرصت‌های اعمال AutoML را در حوزه خود شناسایی کنید، در حالی که توضیحات مفهومی تضمین می‌کند که آنچه در زیر جعبه اتفاق می‌افتد را درک می‌کنید.

مهندسان نرم‌افزار و توسعه‌دهندگان برنامه که نیاز به ادغام قابلیت‌های یادگیری ماشین در برنامه‌های خود دارند، از بخش‌های متمرکز بر تولید که استقرار، CI/CD و یکپارچه‌سازی MLOps را پوشش می‌دهند، بهره‌مند خواهند شد. برای استفاده مؤثر از AutoML نیازی نیست به متخصص علم داده تبدیل شوید. با این حال، باید بدانید که این سیستم‌ها چگونه کار می‌کنند و چگونه آنها را به طور قابل اعتماد در سیستم‌های نرم‌افزاری بزرگتر ادغام کنید.

دانشجویان و مربیان در علم داده، علوم کامپیوتر یا زمینه‌های مرتبط، کتاب Learning AutoML را هم به عنوان مقدمه‌ای جامع بر مفاهیم AutoML و هم به عنوان راهنمای عملی برای یادگیری تجربی خواهند یافت. پیشرفت از اصول اولیه تا کاربردهای پیشرفته، همراه با پروژه‌های واقعی و مطالعه‌های موردی، آن را هم برای یادگیری خودراهبر و هم برای استفاده در کلاس مناسب می‌سازد.

رهبران کسب‌وکار و تصمیم‌گیرندگان باید بر فصل‌های بنیادی و بخش‌های کاربرد صنعتی تمرکز کنند تا پیامدهای استراتژیک AutoML را درک کنند. در حالی که ممکن است مستقیماً راهکارها را پیاده‌سازی نکنید، درک قابلیت‌ها و محدودیت‌های AutoML برای تصمیم‌گیری آگاهانه در مورد سرمایه‌گذاری‌های هوش مصنوعی و توسعه تیم بسیار مهم است.

مشاوران و معماران راهکار که با چندین سازمان کار می‌کنند، از پوشش گسترده رویکردهای مختلف AutoML، تحلیل تطبیقی ابزارها و تکنیک‌ها، و راهنمایی خاص صنعت قدردانی خواهند کرد. کتاب Learning AutoML پایگاه دانش مورد نیاز برای توصیه راهکارهای مناسب در زمینه‌های مختلف مشتری را فراهم می‌کند.

کتاب Learning AutoML آشنایی اولیه با مفاهیم تحلیل داده را فرض می‌کند اما به تخصص عمیق یادگیری ماشین نیاز ندارد. مفاهیم ریاضی به طور شهودی توضیح داده می‌شوند، با جزئیات فنی برای کسانی که آنها را می‌خواهند ارائه شده است. مثال‌های کد از پایتون استفاده می‌کنند و بر پیاده‌سازی عملی تمرکز دارند تا مفاهیم پیچیده برنامه‌نویسی.

چه به دنبال خودکارسازی گردش‌های کاری موجود یادگیری ماشین باشید، چه به دنبال کاوش در کاربردهای جدید هوش مصنوعی در سازمان خود، یا صرفاً درک این موضوع که AutoML چگونه چشم‌انداز علم داده را متحول می‌کند، این کتاب دانش و راهنمایی عملی مورد نیاز برای موفقیت را فراهم می‌کند.

ساختار کتاب Learning AutoML

این کتاب به عنوان سفری جامع، از مبانی AutoML تا پیاده‌سازی پیشرفته و استقرار در تولید ساختاردهی شده است. پنج بخش اصلی به طور سیستماتیک بر روی یکدیگر ساخته می‌شوند تا شما را از تئوری به عمل ببرند. با این حال، خوانندگان باتجربه ممکن است بر اساس نیازهای فوری خود بر بخش‌های خاصی تمرکز کنند.

بخش اول: مبانی AutoML

بخش اول کتاب Learning AutoML زمینه مفهومی را برای بقیه کتاب ایجاد می‌کند:

• فصل ۱ مفاهیم اصلی AutoML را معرفی می‌کند، بررسی می‌کند که چرا برای سازمان‌های مدرن مهم است، و نقش آن را در دموکراتیک‌سازی توسعه هوش مصنوعی بررسی می‌کند.
• فصل ۲ تکامل AutoML را از طریق سه نسل متمایز، از ابزارهای آکادمیک اولیه تا پلتفرم‌های امروزی آماده برای سازمان، دنبال می‌کند.
• فصل ۳ خط لوله سرتاسری AutoML را معرفی می‌کند و نقشه راه کاملی از داده خام تا مدل مستقر شده ارائه می‌دهد. این فصل به عنوان چارچوب سازمان‌دهنده برای غواصی‌های فنی بعدی عمل می‌کند.

بخش دوم: تکنیک‌های هسته AutoML

بخش دوم کتاب Learning AutoML به عمق الگوریتم‌ها و روش‌هایی می‌پردازد که سیستم‌های مدرن AutoML را تغذیه می‌کنند و جریان منطقی خط لوله معرفی شده در بخش اول را دنبال می‌کند:

• فصل ۴ مهندسی ویژگی خودکار و پیش‌پردازش داده را بررسی می‌کند، که قابلیت‌های حیاتی هستند که اغلب موفقیت مدل‌ها را در کاربردهای دنیای واقعی تعیین می‌کنند.
• فصل ۵ پوشش جامعی از بهینه‌سازی فراپارامتر، تکنیک تنظیم بنیادی که زیربنای تقریباً تمام ابزارهای AutoML است، ارائه می‌دهد.
• فصل ۶ جستجوی معماری عصبی را بررسی می‌کند و نشان می‌دهد که چگونه سیستم‌های مدرن می‌توانند به طور خودکار معماری‌های بهینه شبکه عصبی را برای وظایف پیچیده طراحی کنند.

این فصل‌ها با هم پایه فنی لازم برای درک نحوه عملکرد AutoML در زیر جعبه و تصمیم‌گیری آگاهانه درباره سفارشی‌سازی گردش‌های کاری خودکار را فراهم می‌کنند.

بخش سوم: AutoML برای انواع مختلف داده

بخش سوم کتاب Learning AutoML از طریق آموزش‌های گسترده با استفاده از AutoGluon، یکی از توانمندترین و در دسترس‌ترین فریمورک‌های AutoML موجود، از تئوری به عمل گذار می‌کند:

• فصل ۷ AutoGluon را از طریق داده‌های جدولی معرفی می‌کند و با نصب و راه‌اندازی محیط شروع می‌کند و سپس به مدلسازی عملی می‌پردازد.

فصل‌های بعدی سپس بر انواع داده خاص و موارد استفاده تمرکز می‌کنند:

• فصل ۸ به متن و کاربردهای پردازش زبان طبیعی می‌پردازد.
• فصل ۹ به پیش‌بینی و تحلیل سری‌های زمانی می‌پردازد.
• فصل ۱۰ کاربردهای بینایی رایانه را بررسی می‌کند.

پیشرفت از مسائل تک‌حالته به چندحالته نشان‌دهنده افزایش پیچیدگی قابلیت‌های مدرن AutoML است. هر فصل شامل توضیحات مفهومی و مثال‌های کد کامل و قابل اجرا است که می‌توانید با پروژه‌های خود تطبیق دهید.

بخش چهارم: تولید و MLOps

بخش چهارم کتاب Learning AutoML به شکاف حیاتی بین مدل‌های اثبات مفهوم و سیستم‌های آماده تولید می‌پردازد:

• فصل ۱۱ یکپارچه‌سازی گردش کار با ابزارهای محبوب MLOps مانند MLflow و Kubeflow را پوشش می‌دهد.
• فصل ۱۲ بر خودکارسازی خطوط لوله داده با استفاده از Apache Airflow تمرکز دارد و تضمین می‌کند مدل‌های شما بتوانند به طور قابل اعتماد بر روی داده‌های تازه کار کنند.
• فصل ۱۳ راهنمایی جامع در مورد استقرار و شیوه‌های CI/CD خاص مدل‌های AutoML ارائه می‌دهد.

بخش پنجم: مطالعه‌های موردی

بخش پنجم کتاب Learning AutoML همه چیز را از طریق سه مطالعه موردی جامع و واقعی که AutoML را در تولید در صنایع مختلف و تحت محدودیت‌های متفاوت نشان می‌دهد، گرد هم می‌آورد:

• فصل ۱۴ به تشخیص تقلب بی‌درنگ در مقیاس بزرگ می‌پردازد و نشان می‌دهد چگونه GlobalBank سیستم‌هایی ساخته است که میلیون‌ها تراکنش را با الزامات تأخیر میلی‌ثانیه در یک محیط خصمانه پردازش می‌کنند.
• فصل ۱۵ پیش‌بینی تقاضای خرده‌فروشی در محیط‌های همه‌کاناله را بررسی می‌کند و به پیچیدگی پیش‌بینی تقاضا در ۴۵۰ فروشگاه و ۵۰,۰۰۰ کد محصول می‌پردازد و در عین حال با اتمام موجودی، تبلیغات و سیگنال‌های خارجی برخورد می‌کند.
• فصل ۱۶ هوش مصنوعی در مراقبت سلامت را هدایت می‌کند و AutoML آگاه از انصاف را برای پیش‌بینی بازگشت مجدد بیمار با انطباق کامل با HIPAA نشان می‌دهد، جایی که تصمیمات الگوریتمی مستقیماً بر زندگی بیماران تأثیر می‌گذارد.

استراتژی‌های مطالعه برای اهداف مختلف

• اگر در AutoML تازه‌کار هستید، کتاب Learning AutoML را به ترتیب از بخش اول تا بخش سوم بخوانید تا پایه‌های مفهومی محکمی قبل از غواصی در جزئیات پیاده‌سازی بسازید. سپس می‌توانید بخش‌های مرتبط از بخش چهارم را بر اساس نیازهای استقرار خود انتخاب کنید.
• اگر دانشمند داده باتجربه‌ای هستید، ممکن است بخش اول را برای زمینه مرور کنید، به شدت بر عمق فنی بخش دوم تمرکز کنید، و سپس به فصل‌های خاصی در بخش‌های سوم و چهارم که با پروژه‌های فعلی شما همسو هستند بپرید.
• اگر تحلیلگر کسب‌وکار یا متخصص حوزه هستید، با بخش اول (فصل‌های ۱ تا ۳) برای زمینه شروع کنید، سپس بر مهارت‌های عملی و عملی در بخش سوم تمرکز کنید. با عمیق‌تر شدن درک شما، می‌توانید به بخش‌های مرتبط از بخش‌های دوم و چهارم بازگردید.
• اگر مهندس نرم‌افزاری هستید که یادگیری ماشین را در برنامه‌ها ادغام می‌کند، بر بخش اول برای زمینه و بر فصل‌های منتخب از بخش سوم برای درک خروجی‌های AutoML تمرکز کنید، و سپس تمام بخش چهارم را برای راهنمایی در مورد سیستم‌های تولید و یکپارچه‌سازی MLOps مرور کنید.

رویکرد یادگیری عملی

در سراسر کتاب Learning AutoML، به ویژه در بخش‌های سوم و چهارم، تأکید زیادی بر یادگیری از طریق تجربه عملی خواهید یافت. مثال‌های کد به گونه‌ای طراحی شده‌اند که بلافاصله قابل اجرا باشند، با توضیحات روشن از هر مرحله. پروژه‌ها از آموزش‌های مناسب مبتدیان تا سیستم‌های پیچیده و چندجزئی که استقرارهای دنیای واقعی را منعکس می‌کنند، متغیر هستند. هر فصل عملی شامل تمرین‌ها و توسعه‌های پیشنهادی است که شما را تشویق می‌کند تا تکنیک‌ها را با داده‌ها و مشکلات خود تطبیق دهید.

مطالعه‌های موردی در فصل‌های ۱۴ تا ۱۶ کتاب Learning AutoML شایسته توجه ویژه هستند، زیرا نشان می‌دهند که چگونه مفاهیم و تکنیک‌های فصل‌های قبلی در راهکارهای کامل و سرتاسری گرد هم می‌آیند. این موارد از پیاده‌سازی‌های واقعی در صنایع مختلف گرفته شده‌اند و مثال‌های واقع‌گرایانه‌ای از موفقیت‌ها و چالش‌هایی که احتمالاً با آنها مواجه خواهید شد ارائه می‌دهند.

تا زمانی که این سفر را به پایان برسانید، هم درک مفهومی و هم مهارت‌های عملی لازم برای ارزیابی، پیاده‌سازی و استقرار مؤثر راهکارهای AutoML در زمینه خود را خواهید داشت.

سرفصل‌های کتاب Learning AutoML:

• Foreword by Thomas H. Davenport
  Foreword by Gregory Wheeler
• Preface
• I. Foundations of AutoML
  • 1. What Is Automated Machine Learning?
  • 2. The Rise and Current State of AutoML
  • 3. Understanding the AutoML Pipeline
• II. Core AutoML Techniques
  • 4. Automated Data Preprocessing and Feature Engineering
  • 5. Hyperparameter Optimization
  • 6. Neural Architecture Search (NAS)
• III. AutoML for Different Data Types
  • 7. AutoGluon for Tabular Data
  • 8. AutoML for Text and Natural Language Processing
  • 9. Time Series Forecasting with AutoGluon
  • 10. Computer Vision with AutoGluon
• IV. Production and MLOps
  • 11. Workflow Integration with MLOps Tools
  • 12. Data Pipeline Automation with Apache Airflow
  • 13. Deployment and Continuous Delivery for AutoML
• V. Case Studies
  • 14. Case Study 1: Financial Services-Real-Time Fraud Detection at GlobalBank
  • 15. Case Study 2: Retail-Omnichannel Demand Forecasting
  • 16. Case Study 3: Healthcare-Patient Readmission Prediction
• Epilogue: The Quiet AutoML Revolution
• Index
• About the Author

جهت دانلود کتاب Learning AutoML می‌توانید پس از پرداخت، دریافت کنید.