کتاب Managing Machine Learning Projects

کتاب Managing Machine Learning Projects (مدیریت پروژه‌های یادگیری ماشین: از طراحی تا استقرار) به صورت خلاصه شما را با مفاهیم یادگیری ماشین و به کارگیری آن در مدیریت پروژه‌های مربوط به آن آشنا می‌کند.

در ادامه مقدمه‌ای از کتاب Managing Machine Learning Projects را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Managing Machine Learning Projects:

من نمی‌توانم لحظه‌ای را مشخص کنم یا حکایت قانع کننده ای ببافم که توضیح دهد چگونه متوجه شدم نوشتن کتابی درباره نحوه مدیریت یک پروژه یادگیری ماشینی کار خوبی است. خلاصه داستان این است که زمانی در سال 2019 متوجه شدم که دارم با افراد زیادی صحبت می‌کنم که پروژه ML را شروع کرده بودند و با آن مشکل داشتند، و معمولاً دلیل آن را می‌دانستم.

یک بیماری مشترک یا حتی یک موضوع واحد وجود نداشت، بلکه به نظر می‌رسید که شکست‌ها از جهات مختلف ناشی می‌شوند. هر چند شکست این پروژه‌ها متفاوت بود، اما دلیل مشترکی در اینجا وجود داشت. افرادی که این پروژه‌ها را رهبری می‌کردند با استعداد، باهوش، خوش بیان و ماهر بودند، اما بی‌تجربه بودند.

من در زمان بندی حرفه ام بسیار خوش شانس بودم. من زمانی وارد ML شدم که در لبه برنامه‌ها بود. در اواخر دهه 1990، ML در طبیعت وجود داشت، و ما می‌توانستیم کارهای واقعی را با پرسپترون‌های سه لایه و درخت‌های تصمیم انجام دهیم.

تحویل آن بسیار سخت‌تر بود، الگوریتم‌ها باید با دست کدگذاری می‌شدند، داده‌ها به ندرت ناپدید می‌شدند، و همه چیز بسیار آهسته اجرا می‌شد. بیشتر از همه، مهارت‌های ML به اندازه پروژه‌هایی که به آن‌ها نیاز داشتند نادر بودند و ML کاربردی به عنوان تحقیق و توسعه در نظر گرفته می‌شد. برای من این به این معنی بود که من فرصت توسعه و کار روی پروژه به پروژه را داشتم. اکثر آن‌ها شکست خوردند – اما آن‌هایی که خارج شدند واقعاً، واقعاً، واقعاً از بین رفتند.

بردهای نادر من را در کار نگه داشت و حرفه ام را ادامه داد. به نوبه خود، این وام مسکن را پرداخت کرد و فریزر را پر کرد. با نگاهی به گذشته، اکنون می‌توانم بگویم که این شکست‌ها بودند که بیشترین ارزش را داشتند. من تجملات شکست و یادگیری را داشتم، چیزی که امروزه اغلب در اختیار مردم قرار نمی‌گیرد.

من همچنین این فرصت را به دست آوردم که به اجتماع افرادی بپیوندم که در همان شرایط زندگی می‌کنند، و همه ما واقعا مست می‌شویم و داستان‌های غم‌انگیز (و خنده‌دار) فاجعه را برای یکدیگر تعریف می‌کنیم. دسته‌ای از شیوه‌ها و رفتارها در گروه محققان هوش مصنوعی که در آن روزها در شرکت‌های بزرگ غربی کار می‌کردند، به دانش عمومی تبدیل شد. من روی حاشیه نشستم و این شانس را داشتم که بتوانم همه اینها را انتخاب کنم و سپس از آن استفاده کنم.

با داشتن شانس کسب تجربه کافی برای هدایت یک پروژه ML یا ده تا به موفقیت، احمقانه است که آن را به اشتراک نگذاریم. ML و AI فن‌آوری‌هایی هستند که می‌توانند به خوبی مورد استفاده قرار گیرند و امیدواریم به مقابله با تغییرات آب و هوا، بیماری‌های همه‌گیر و مشکلات اقتصادی کمک کنند. شاید با به اشتراک گذاشتن دانش در مورد نحوه مدیریت پروژه‌های ML بتوانم به شخص دیگری کمک کنم تا چند پروژه را انجام دهد که دنیا را به مکانی بهتر تبدیل کند!

دو رویداد واقعاً باعث شد که کتاب از یک ایده به دنیای واقعی هدایت شود. ابتدا، اندی روسیتر، که در آن زمان رئیس من بود، به من گفت که تیم من باید روشی داشته باشد تا به مشتریان بگوید چگونه با مشکلات آن‌ها برخورد کنیم. متوجه شدم که واقعاً نمی‌توانم به یکی اشاره کنم، بنابراین باید یکی بنویسم. اگر رویداد دوم – همه‌گیری کووید-19 – نبود، احتمالاً آنقدر پیش نمی‌رفت که به این معنی بود که من ساعت‌ها را در سفر نمی‌گذرانم و شروع کردم به مدتی برای نوشتن چیزی.

بنابراین، اینجاست. از خرید شما متشکرم امیدوارم برای شما مفید باشد و بیشتر از همه امیدوارم هر ایده یا فکری در مورد اینکه چگونه باید بهبود یابد را به اشتراک بگذارید تا دفعه بعد بتوانم بهتر عمل کنم.

در مورد کتاب Managing Machine Learning Projects

این کتاب به ارائه یک راهنمای تجویزی گام‌به‌گام برای اجرای یک پروژه یادگیری ماشینی می‌پردازد. این از مجموعه وسیعی از کارهایی ساخته شده است که از دهه 1990 به وجود آمده است و به چالش‌هایی که توسعه دهندگان ML با آن مواجه هستند، می‌پردازد.

رویکردهای مستند شده در کتاب Managing Machine Learning Projects اصلی نیستند، اگرچه برخی از آن‌ها منتشر نشده اند، زیرا من سعی کرده ام بهترین عملکرد و همچنین انتشار دانشگاهی را تدوین کنم. من سعی کردم تا جایی که بتوانم مراجع ارائه کنم، اما مطمئن هستم که برخی از آن‌ها را از دست داده ام. در هر صورت، لطفاً آن را به عنوان خوانده شده در نظر بگیرید که در جایی که هیچ مرجعی وجود ندارد، ادعای اختراع یا تازگی وجود ندارد – فقط من نمی‌توانم انتسابی پیدا کنم، اگر شما را نادیده گرفته ام عذرخواهی می‌کنم.

کتاب‌های فنی زیادی در زمینه هوش مصنوعی و ML وجود دارد، بنابراین کتاب Managing Machine Learning Projects به دنبال پر کردن این شکاف نیست. اگر درک خوبی از این موضوعات ندارید، لیست متون زیر مکان خوبی برای شروع قبل از استفاده از این روش هستند:

هوش مصنوعی: رویکردی مدرن نوشته استوارت راسل و پیتر نورویگ، پیرسون، 2016. این کتاب درسی به عنوان ستون فقرات بیشتر دوره‌های کارشناسی هوش مصنوعی مورد استفاده قرار می‌گیرد و نمای کلی از دغدغه‌های اصلی هوش مصنوعی را به عنوان موضوع ارائه می‌دهد. این یک محل عالی برای شروع است.

Hands on Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurelien Geron, O’Reilly, 2019. این کتاب بر کاربردهای عملی مجموعه‌ای از تکنیک‌های ML تمرکز دارد اما بیشتر زمینه‌هایی را که یک پزشک برای مرور کلی به آن نیاز دارد را پوشش می‌دهد. میدان این کتاب برای خوانندگانی خوب است که از پیشینه نرم افزاری هستند و کمتر به جنبه‌های ریاضی ML علاقه مند هستند.

یادگیری ماشین احتمالی: مقدمه، کوین پاتریک مورفی، انتشارات MIT، 2021. کتاب Managing Machine Learning Projects یک درمان مدرن جامع از جنبه‌های اصلی هوش مصنوعی و یادگیری ماشین ارائه می دهد. برای خوانندگانی که می‌خواهند زیربنای و مکانیک تکنیک‌ها را درک کنند و دارای گرایش ریاضی هستند، مناسب است.

کتاب‌های فهرست‌شده توضیحاتی در مورد تکنیک‌ها و مشکلاتی ارائه می‌دهند که هوش مصنوعی توسعه داده و سعی در حل آن‌ها داشته است. در مقابل، این کتاب ابزارها و رویکردهای مورد نیاز برای ارائه یک پروژه هوش مصنوعی را گرد هم می‌آورد و دیدگاهی در مورد نحوه رسیدگی به چالش‌های تجاری و تحویل در یک محیط تجاری ارائه می‌دهد.

نحوه سازماندهی کتاب Managing Machine Learning Projects: نقشه راه

در هر فصل به جز این فصل، مطالب به صورت ساختاریافته با هدف دستیابی به صحت و اختصار ارائه شده است.

فصل 1 کتاب Managing Machine Learning Projects شرحی از مفاهیم اصلی و انگیزه‌هایی را ارائه می‌دهد که در هنگام نوشتن کتاب در ذهن من وجود داشته است و امیدوارم به خواننده این امکان را بدهد که تصویری از آنچه کتاب سعی در برقراری ارتباط دارد و چگونه می‌تواند کمک کند به دست آورد.

فصل 2 کتاب Managing Machine Learning Projects مراحل ایجاد یک درک مشترک از پروژه را در بین مشتری، خود و سازمان تشریح می‌کند، خواه سازمان جدا از مشتری باشد یا در بخش دیگری. شما یاد خواهید گرفت که چگونه فرآیند را سازماندهی کنید، با مشتری برای ایجاد الزامات همکاری کنید، بینش خود را نسبت به داده‌های مشتری به دست آورید و ابزارهای لازم را تعیین کنید.

فصل 3 کتاب Managing Machine Learning Projects فرآیند ایجاد یک فرضیه پروژه را پوشش می‌دهد که می‌تواند توسط تیم شما و ذینفعان قابل درک باشد، این شامل فرآیند ایجاد تخمین‌هایی است که به پروژه اجازه می‌دهد به طور مناسب بودجه و منابع تامین شود و همچنین کارهایی که باید انجام شود تا به دست آید. پروژه به طور رسمی موافقت کرد و در حال اجرا است. شما یاد خواهید گرفت که برای شروع پروژه چه چیزی باید درک شود، چه کسی باید آن را درک کند و چه کسی باید موافقت کند.

فصل 4 کتاب Managing Machine Learning Projects کارهای مورد نیاز برای اسپرینت 0 را معرفی می‌کند. این اسپرینت شامل فعالیت‌هایی است که کار روی پروژه را در دست اجرا می‌گذارد و تیم را وارد پروژه می‌کند. در فصل 4 شما در مورد آنچه برای قادر ساختن یک تیم برای شروع کار و بهره‌وری در پروژه ML لازم است، یاد خواهید گرفت.

فصل 5 کتاب Managing Machine Learning Projects بخش اول اسپرینت 1 را پوشش می‌دهد. این کار مستلزم آن است که یک تیم فنی در محل باشد و به سیستم‌ها و اطلاعات مورد نیاز برای پیشرفت دسترسی داشته باشد. در این فصل تمرکز بر دریافت داده‌هایی است که تیم برای ایجاد یک مدل یادگیری ماشین به محیطی نیاز دارد که می‌تواند برای پشتیبانی از مدل‌سازی استفاده شود.

فصل 6 کتاب Managing Machine Learning Projects کار اسپرینت 1 را با استفاده از خطوط لوله داده برای به دست آوردن درک درستی از داده‌های مشتری و ساختن اولین مدل‌های اولیه تکمیل می‌کند. شما یاد خواهید گرفت که چه نوع کاوش داده‌ها مورد نیاز است و مراحلی که برای ایجاد پایه ای برای تیم برای شروع موفقیت آمیز ساخت مدل‌ها لازم است.

فصل 7 کتاب Managing Machine Learning Projects کار روی اسپرینت 2 را آغاز می‌کند، با تمرکز بر فرآیند ساخت مدل‌های مفید با استفاده از یک فرآیند ساختاریافته و سیستماتیک و شناسایی مدل‌هایی که برای ارزیابی دقیق و انتخاب برای ادغام در سیستم تولید به جلو پیش می‌روند. در فصل 7 خواهید آموخت که یک تیم مدل‌سازی باید چه ساختارها و فرآیندهایی را اتخاذ کند.

فصل 8 کتاب Managing Machine Learning Projects اسپرینت 2 را با دستورالعمل‌هایی برای آزمایش ساختاریافته و انتخاب مدل‌ها در محیط‌های آنلاین و آفلاین کامل می‌کند و شامل بحثی درباره تله‌ها و مشکلاتی است که اغلب هنگام ارزیابی مدل‌ها با آن‌ها مواجه می‌شوند. شما یاد خواهید گرفت که هنگام ارزیابی و مقایسه مدل‌های ML به چه چیزهایی توجه کنید و فرآیند انجام این مقایسه‌ها چگونه باید مدیریت شود.

فصل 9 کتاب Managing Machine Learning Projects به اجرای Sprint 3 می‌پردازد و جزئیات فرآیند ادغام مدل‌های انتخاب شده در سیستم تولید و استقرار آن‌ها را برای استفاده شرح می‌دهد. همچنین ملاحظات مهمی را که برای ارائه رابط‌های کاربرپسند باید در نظر گرفته شود، برجسته می‌کند. در اینجا می‌آموزید که چه چیزی برای انتقال مدل‌ها از آزمایش‌های جالب به بخشی از یک سیستم در حال اجرا در یک سازمان لازم است.

در نهایت در فصل 10 مفاهیم و شیوه‌های مورد نیاز مدیریت یک سیستم یادگیری ماشین در تولید توضیح داده شده است. هدف فصل 10 نشان دادن چه نوع فرآیندها و ساختارهایی است که باید راه اندازی و اجرا شوند تا پروژه ML به عنوان موتوری برای ارزش حفظ شود.

سرفصل‌های کتاب Managing Machine Learning Projects:

• inside front cover
• Delivering Machine Learning Projects
• Copyright
• contents
• front matter
• 1 Introduction: Delivering machine learning projects is hard; let’s do it better
• 2 Pre-project: From opportunity to requirements
• 3 Pre-project: From requirements to proposal
• 4 Getting started
• 5 Diving into the problem
• 6 EDA, ethics, and baseline evaluations
• 7 Making useful models with ML
• 8 Testing and selection
• 9 Sprint 3: system building and production
• 10 Post project (sprint Ω)
• references
• index

جهت دانلود کتاب Managing Machine Learning Projects می‌توانید پس از پرداخت، دریافت کنید.