کتاب Agile Machine Learning with DataRobot

کتاب Agile Machine Learning with DataRobot از جدیدترین منابع یادگیری ماشین به روش Agile می‌باشد. این کتاب با محوریت ابزار DataRobot، در 14 فصل به شما مدیریت پروژه‌های یادگیری ماشین به شیوه‌ی Agile را آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Agile Machine Learning with DataRobot را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Agile Machine Learning with DataRobot:

DataRobot تیم‌های علم داده را قادر می‌سازد تا کارآمدتر و سازنده‌تر شوند. این کتاب به شما کمک می‌کند تا چالش‌های یادگیری ماشین (ML) را با پلتفرم سازمانی DataRobot بررسی کنید و به شما امکان می‌دهد ارزش تجاری را از داده‌ها استخراج کنید و به سرعت تأثیر تجاری برای سازمان خود ایجاد کنید.

شما با یادگیری نحوه استفاده از ویژگی‌های DataRobot برای انجام کارهای آماده‌سازی و پاکسازی داده‌ها به صورت خودکار شروع می‌کنید. کتاب Agile Machine Learning with DataRobot بهترین شیوه‌ها را برای ساخت و استقرار مدل‌های ML، همراه با چالش‌هایی که هنگام مقیاس‌بندی آن‌ها برای رسیدگی به مشکلات پیچیده تجاری با آن‌ها مواجه است، پوشش می‌دهد.

در ادامه، وظایف تجزیه و تحلیل داده‌های اکتشافی (EDA) را انجام خواهید داد تا داده‌های خود را برای ساخت مدل‌های ML و راه‌هایی برای تفسیر نتایج آماده کنید. همچنین خواهید فهمید که چگونه پیش‌بینی‌های مدل را تجزیه و تحلیل کنید و آن‌ها را به بینش‌های عملی برای کاربران تجاری تبدیل کنید.

پس از آن، اسناد مدل را برای اهداف داخلی و همچنین انطباق ایجاد می‌کنید و یاد می‌گیرید که چگونه مدل به عنوان یک API مستقر می‌شود. علاوه بر این، نحوه عملیاتی کردن و نظارت بر عملکرد مدل را خواهید یافت. در نهایت، شما با نمونه‌هایی از پیش‌بینی سری‌های زمانی، NLP، پردازش تصویر، MLOps و موارد دیگر با استفاده از قابلیت‌های پیشرفته DataRobot کار خواهید کرد.

در پایان این کتاب، شما یاد خواهید گرفت که چگونه از برخی از ویژگی‌های AutoML و MLOps که DataRobot ارائه می‌دهد برای مقیاس ساختن مدل ML با اجتناب از کارهای تکراری و خطاهای رایج استفاده کنید.

کتاب Agile Machine Learning with DataRobot برای چه کسی است؟

این کتاب برای دانشمندان داده، تحلیلگران داده و علاقه‌مندان به داده است که به دنبال راهنمای عملی برای ساخت و استقرار مدل‌های قوی ML با استفاده از DataRobot هستند. دانشمندان داده با تجربه نیز این کتاب را برای کاوش سریع و ساخت و استقرار طیف وسیع‌تری از مدل‌ها مفید خواهند یافت. کتاب Agile Machine Learning with DataRobot درک پایه‌ای از ML را فرض می‌کند.

آنچه این کتاب پوشش می‌دهد:

فصل 1، DataRobot چیست و چرا به آن نیاز دارید، شیوه‌های فعلی و فرآیند ساخت و استقرار مدل‌های ML و برخی از چالش‌های مقیاس‌پذیری آن رویکرد را شرح می‌دهد. سپس این فصل توضیح می‌دهد که DataRobot چیست و DataRobot چگونه بسیاری از این چالش‌ها را برطرف می‌کند، بنابراین به تحلیلگران و دانشمندان داده اجازه می‌دهد تا به سرعت به سازمان خود ارزش بیافزایند.

این همچنین به مدیران کمک می‌کند تا بفهمند چگونه می‌توانند از DataRobot برای مقیاس‌بندی کارآمد عمل علم داده خود بدون نیاز به استخدام کارکنان بزرگ با مهارت‌های دشوار استفاده کنند. این فصل همچنین اجزای مختلف DataRobot، نحوه معماری آن، نحوه ادغام آن با ابزارهای دیگر و گزینه‌های مختلف برای تنظیم آن در محل یا در فضای ابری را توضیح می‌دهد. همچنین، در سطح بالایی، اجزای مختلف رابط کاربری و آنچه را که نشان می‌دهند، توصیف می‌کند.

فصل 2، مبانی یادگیری ماشین، برخی از مفاهیم اساسی ML را پوشش می‌دهد که در کتاب Agile Machine Learning with DataRobot مورد استفاده و ارجاع قرار خواهند گرفت. این حداقل چیزی است که برای استفاده مؤثر از DataRobot باید بدانید. هدف این فصل از کتاب Agile Machine Learning with DataRobot این نیست که درک جامعی از ML به شما بدهد، بلکه فقط تجدید نظر برخی از ایده‌های کلیدی است.

فصل 3، درک و تعریف مشکلات کسب و کار، نمونه‌هایی از چگونگی دستیابی به ریشه یک مشکل و سپس تنظیم آن به عنوان یک پروژه ML را به شما نشان می‌دهد. یک مشکل تجاری باید به دقت تعریف شود و به یک مشکل ML تبدیل شود تا با DataRobot حل شود. این یک مرحله حیاتی است که اغلب نادیده گرفته می‌شود و منجر به مشکلات و شکست‌های پایین دست می‌شود. لطفاً این فصل را با دقت مرور کنید تا از هدر رفتن کارهای سخت جلوگیری کنید. این فصل از کتاب Agile Machine Learning with DataRobot ابزار و روش ML است.

فصل 4، آماده‌سازی داده‌ها برای DataRobot، نحوه پیوند دادن داده‌ها از چندین منبع متفاوت را در سطح بالا پوشش می‌دهد. بسته به داده‌ها، DataRobot ممکن است کارهای آماده‌سازی و پاکسازی داده‌ها را به طور خودکار انجام دهد، یا ممکن است مجبور باشید برخی از این کارها را خودتان انجام دهید.

این فصل از کتاب Agile Machine Learning with DataRobot مفاهیم و مثال‌هایی را برای نشان دادن نحوه پاکسازی و آماده‌سازی داده‌ها و ویژگی‌هایی که DataRobot برای کمک به این کارها ارائه می‌دهد را پوشش می‌دهد.

فصل 5، تجزیه و تحلیل داده‌های اکتشافی با DataRobot، به شما نشان می‌دهد که چگونه از DataRobot برای انجام تجزیه و تحلیل‌های مختلف داده‌ها و آماده سازی داده‌ها برای شروع ساخت مدل‌ها استفاده کنید.

ما نمونه‌های دقیقی از انواع تحلیل‌هایی که باید انجام شوند و از چه چیزهایی باید برای جلوگیری از مشکلات پایین دستی آگاه بود، ارائه می‌کنیم. اگر درست انجام شود، این تجزیه و تحلیل می‌تواند به کشف مشکلات داده و همچنین ایجاد بینش تجاری مفید کمک کند.

فصل 6، مدل‌سازی با DataRobot، نمونه‌های گام‌به‌گام ساخت انواع مدل‌ها با DataRobot را نشان می‌دهد. ما جزئیاتی مانند تنظیماتی را که در شرایط مختلف باید استفاده شود، نحوه انتخاب انواع مدل خاص، تنظیم اعتبار متقاطع، ساخت مدل‌های گروه، و ردیابی مدل‌های با عملکرد برتر در تابلوی امتیازات را پوشش می‌دهیم.

فصل 7، درک مدل و توضیح‌پذیری، نمونه‌هایی از عملکردها و خروجی‌های مختلفی را که DataRobot ارائه می‌کند به شما نشان می‌دهد تا به شما در درک مدل‌ها و انتخاب بهترین مدل‌ها برای حل مشکل کسب‌وکار کمک کند. در این فصل از کتاب Agile Machine Learning with DataRobot، از طریق مثال‌هایی، به جنبه‌هایی که باید مراقب آن‌ها باشید و معاوضه‌هایی که باید در انتخاب مدل انجام دهید، خواهیم پرداخت.

فصل 8، امتیازدهی و استقرار مدل، نحوه استفاده از مدل‌ها برای امتیازدهی به مجموعه داده‌های ورودی، ایجاد پیش‌بینی برای استفاده در برنامه‌های مورد نظر، استقرار مدل‌ها در تولید و مدل‌های نظارت را پوشش می‌دهد.

فصل 9، پیش‌بینی و مدل‌سازی سری‌های زمانی، نحوه ساخت مدل‌های سری زمانی را شرح می‌دهد. این نوع مدل‌ها معمولاً برای برنامه‌های پیش‌بینی استفاده می‌شوند. این فصل نمونه‌هایی از نحوه رسیدگی به مسائل سری‌های زمانی مختلف با DataRobot را نشان می‌دهد. ما مشکلات تک سری و چند سری را پوشش می‌دهیم.

فصل 10، سیستم‌های توصیه‌کننده، نمونه‌هایی از نحوه ساخت سیستم‌های توصیه گر با DataRobot را پوشش می‌دهد. این نوع مدل‌ها معمولاً برای توصیه محصولات یا خدمات به کاربران استفاده می‌شوند. این فصل از کتاب Agile Machine Learning with DataRobot به استراتژی‌ها و تفاوت‌های عملکردی در نحوه رسیدگی به یک مشکل توصیه با DataRobot می‌پردازد. ما مبادلات مرتبط با ساخت مدل‌های توصیه‌گر مختلف را پوشش می‌دهیم.

فصل 11، کار با داده‌های مکانی، NLP، و پردازش تصویر، عملکردهای مختلف DataRobot مربوط به تجسم و تجزیه و تحلیل ویژگی‌های مکانی، متن و تصویر، و همچنین ساخت مدل‌های ML را که چنین ویژگی‌هایی را در خود جای می‌دهند، پوشش می‌دهد. این فصل قابلیت‌های DataRobot را برای ترکیب خودکار داده‌های متن و تصویر در مدل‌های ML توصیف می‌کند و در نتیجه عملکرد این مدل‌ها را بهبود می‌بخشد.

فصل 12، DataRobot Python API، زمان و نحوه استفاده از DataRobot Python API را شرح می‌دهد. در حالی که DataRobot بسیاری از جنبه‌های ساخت مدل را خودکار می‌کند، سناریوهای زیادی وجود دارد که در آن‌ها باید از زبان‌های برنامه‌نویسی مانند Python برای انجام کارآمد و مقیاس‌پذیر وظایف ML استفاده کنید. DataRobot یک API مناسب ارائه می‌دهد که به دانشمندان داده با تجربه اجازه می‌دهد تا توابع DataRobot را به صورت برنامه‌ریزی شده اجرا کنند.

فصل 13، مدل حاکمیت و MLOs، برخی از موضوعات اخیر را پوشش می‌دهد که توجه زیادی را به خود جلب کرده‌اند. هنگامی که یک مدل توسعه‌یافته و به کار گرفته شد، باید در طول زمان اداره و نگهداری شود.

در حالی که این از بسیاری جهات شبیه به یک سیستم فناوری اطلاعات است، تفاوت‌های مهمی وجود دارد که باید درک و عملیاتی شوند. این فصل از کتاب Agile Machine Learning with DataRobot چندین ویژگی و عملکردی را پوشش می‌دهد که DataRobot برای کمک به مدیریت و حفظ مدل‌های ML ارائه می‌کند.

فصل 14، نتیجه‌گیری، به این موضوع می‌پردازد که برای اطلاعات بیشتر و سایر موضوعاتی که ممکن است خارج از محدوده کتاب Agile Machine Learning with DataRobot باشد به کجا مراجعه کنید. همچنین توضیح می‌دهیم که در آینده شاهد حرکت ML و DataRobot خودکار هستیم.

بیشتر بخوانید: کتاب Machine Learning with PySpark

سرفصل‌های کتاب Agile Machine Learning with DataRobot:

• Preface
• Section 1: Foundations
  • Chapter 1: What Is DataRobot and Why You Need It
  • Chapter 2: Machine Learning Basics
  • Chapter 3: Understanding and Defining Business Problems
• Section 2: Full ML Life Cycle with DataRobot: Concept to Value
  • Chapter 4: Preparing Data for DataRobot
  • Chapter 5: Exploratory Data Analysis with DataRobot
  • Chapter 6: Model Building with DataRobot
  • Chapter 7: Model Understanding and Explainability
  • Chapter 8: Model Scoring and Deployment
• Section 3: Advanced Topics
  • Chapter 9: Forecasting and Time Series Modeling
  • Chapter 10: Recommender Systems
  • Chapter 11: Working with Geospatial Data, NLP, and Image Processing
  • Chapter 12: DataRobot Python API
  • Chapter 13: Model Governance and MLOps
  • Chapter 14: Conclusion

فایل کتاب Agile Machine Learning with DataRobot را می‌توانید پس از پرداخت، دریافت کنید.