کتاب Designing Deep Learning Systems (طراحی سیستم‌های یادگیری عمیق: راهنمای مهندس نرم‌افزار) در 10 فصل مختلف به شرح ایجاد سیستم‌های یادگیری عمیق با محوریت مهندسی نرم‌افزار خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Designing Deep Learning Systems را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Designing Deep Learning Systems:
چه کسی باید این کتاب را بخواند؟
مخاطبان اصلی این کتاب مهندسان نرم‌افزار (از جمله دانشجویانی که اخیراً فارغ التحصیل CS شده اند) هستند که می‌خواهند به سرعت به مهندسی سیستم یادگیری عمیق منتقل شوند، مانند کسانی که می‌خواهند بر روی سکوهای یادگیری عمیق کار کنند یا برخی از عملکردهای هوش مصنوعی را ادغام کنند – به عنوان مثال، ارائه مدل – به محصولات خود.
دانشمندان داده، محققان، مدیران و هر کس دیگری که از یادگیری ماشین برای حل مسائل دنیای واقعی استفاده می‌کند نیز این کتاب را مفید خواهند یافت. پس از درک زیرساخت (یا سیستم) زیربنایی، آنها برای ارائه بازخورد دقیق به تیم مهندسی برای بهبود کارایی فرآیند توسعه مدل مجهز خواهند شد.
کتاب Designing Deep Learning Systems، یک کتاب مهندسی است و برای اجرای آزمایشگاه و درک مطالب فنی باید با مفاهیم پایه علوم کامپیوتر و ابزارهای کدگذاری مانند میکروسرویس‌ها، gRPC و Docker آشنا باشید و نیازی به پیشینه یادگیری ماشین ندارید. صرف نظر از پیشینه شما، همچنان می‌توانید از مطالب غیرفنی کتاب برای درک بهتر نحوه عملکرد سیستم‌های یادگیری ماشین و یادگیری عمیق برای آوردن محصولات و خدمات از ایده‌ها به تولید بهره‌مند شوید.
با خواندن این کتاب، می‌توانید درک کنید که چقدر عمیق است. سیستم‌های یادگیری کار می‌کنند و نحوه توسعه هر جزء. همچنین متوجه خواهید شد که چه زمانی باید نیازمندی‌ها را از کاربران جمع‌آوری کنید، نیازمندی‌ها را به انتخاب‌های طراحی اجزای سیستم ترجمه کنید، و اجزا را برای ایجاد یک سیستم منسجم که به کاربران شما کمک می‌کند به سرعت ویژگی‌های یادگیری عمیق را توسعه داده و ارائه دهند، ادغام کنید.
نحوه سازماندهی کتاب Designing Deep Learning Systems: نقشه راه
در این کتاب 10 فصل و سه پیوست (شامل یک پیوست آزمایشگاهی) وجود دارد. فصل اول توضیح می‌دهد که چرخه توسعه پروژه یادگیری عمیق چیست و یک سیستم یادگیری عمیق اساسی چگونه به نظر می‌رسد. فصل‌های بعدی به هر یک از اجزای عملکردی سیستم یادگیری عمیق مرجع می‌پردازند. در نهایت، فصل آخر نحوه ارسال مدل‌ها به تولید را مورد بحث قرار می‌دهد. ضمیمه شامل یک جلسه آزمایشگاهی است که به خوانندگان اجازه می‌دهد نمونه سیستم یادگیری عمیق را امتحان کنند.
فصل 1 توضیح می‌دهد که یک سیستم یادگیری عمیق چیست، ذینفعان مختلف سیستم، و چگونه با آن برای ارائه ویژگی‌های یادگیری عمیق تعامل دارند. ما این تعامل را چرخه توسعه یادگیری عمیق می‌نامیم.
علاوه بر این، شما یک سیستم یادگیری عمیق به نام معماری مرجع را تصور خواهید کرد که شامل تمام عناصر ضروری است و می‌تواند بر اساس نیازهای شما تطبیق داده شود. فصل‌های 2 تا 9 هر جزء اصلی معماری سیستم یادگیری عمیق مرجع را پوشش می‌دهند، مانند سرویس مدیریت مجموعه داده، سرویس آموزش مدل، سرویس بهینه‌سازی خودکار ابرپارامتر، و خدمات هماهنگ‌سازی گردش کار.
فصل 10 نحوه برداشتن محصول نهایی از مرحله تحقیق یا نمونه سازی برای آماده سازی آن برای عرضه عمومی را شرح می‌دهد. ضمیمه A نمونه سیستم یادگیری عمیق را معرفی می‌کند و تمرین آزمایشگاهی را نشان می‌دهد، پیوست B راه‌حل‌های موجود را بررسی می‌کند، و پیوست C در مورد Kubeflow Katib بحث می‌کند.
سرفصل‌های کتاب Designing Deep Learning Systems:
- Desiging Deep Learning Systems
- brief contents
- contents
- foreword
- preface
- acknowledgments
- about this book
- about the authors
- about the cover illustration
- 1 An introduction to deep learning systems
- 2 Dataset management service
- 3 Model training service
- 4 Distributed training
- 5 Hyperparameter optimization service
- 6 Model serving design
- 7 Model serving in practice
- 8 Metadata and artifact store
- 9 Workflow orchestration
- 10 Path to production
- appendix A A “hello world” deep learning system
- appendix B Survey of existing solutions
- appendix C Creating an HPO service with Kubeflow Katib
- index
جهت دانلود کتاب Designing Deep Learning Systems می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.