کتاب Distributed Machine Learning with Python

کتاب Distributed Machine Learning with Python یا یادگیری ماشینی توزیع شده با پایتون، یک راهنمای کامل برای یادگیری یادگیری ماشینی توزیع شده با استفاده از زبان برنامه‌نویسی پایتون است. این کتاب در 12 فصل علاوه بر تشریح مفاهیم یادگیری ماشینی توزیع شده، شما را با پیاده‌سازی و اعمال کاربردهای آن در دنیای واقعی به وسیله زبان پایتون آشنا خواهد کرد.

در ادامه مقدمه‌ای از کتاب Distributed Machine Learning with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Distributed Machine Learning with Python:

کاهش هزینه‌های زمانی در یادگیری ماشینی منجر به زمان انتظار کوتاه‌تر برای آموزش مدل و چرخه به‌روزرسانی مدل سریع‌تر می‌شود. یادگیری ماشینی توزیع شده به متخصصان یادگیری ماشینی این امکان را می‌دهد که آموزش مدل و زمان استنتاج را با مرتبه‌ای بزرگ کوتاه کنند. با کمک این راهنمای عملی، می‌توانید دانش توسعه پایتون خود را برای راه‌اندازی و اجرای یادگیری ماشینی توزیع‌شده، از جمله سیستم‌های یادگیری ماشین چند گره‌ای، در کمترین زمان به کار ببرید.

شما با بررسی نحوه عملکرد سیستم‌های توزیع شده در حوزه یادگیری ماشین و نحوه اعمال یادگیری ماشینی توزیع شده در مدل‌های پیشرفته یادگیری عمیق شروع خواهید کرد. همانطور که پیش می‌روید، نحوه استفاده از سیستم‌های توزیع شده را برای افزایش آموزش مدل یادگیری ماشین و سرعت ارائه خواهید دید. همچنین قبل از بهینه‌سازی آموزش مدل موازی و سرویس‌دهی خط لوله در خوشه‌های محلی یا محیط‌های ابری، با استفاده از روش‌های موازی داده و مدل موازی آشنا خواهید شد.

بیشتر بخوانید: کتاب Designing Machine Learning Systems

در پایان کتاب Distributed Machine Learning with Python، دانش و مهارت‌های مورد نیاز برای ایجاد و استقرار یک خط لوله پردازش داده کارآمد برای آموزش مدل یادگیری ماشین و استنتاج به شیوه ای توزیع شده را به دست خواهید آورد.

کتاب Distributed Machine Learning with Python برای چه کسی است؟

این کتاب برای دانشمندان داده، مهندسین یادگیری ماشین و متخصصان یادگیری ماشین در دانشگاه و صنعت است. یک درک اساسی از مفاهیم یادگیری ماشین و دانش کاری برنامه نویسی پایتون فرض شده است. تجربه قبلی در پیاده‌سازی مدل‌های یادگیری ماشین/یادگیری عمیق با TensorFlow یا PyTorch مفید خواهد بود. اگر علاقه‌مند به استفاده از سیستم‌های توزیع شده برای تقویت آموزش مدل یادگیری ماشینی و سرعت سرویس‌دهی هستید، این کتاب برای شما مفید خواهد بود.

آنچه کتاب Distributed Machine Learning with Python پوشش می‌دهد:

فصل 1، تقسیم داده‌های ورودی، نحوه توزیع آموزش یادگیری ماشینی یا حجم کار در بعد داده‌های ورودی را نشان می‌دهد که موازی‌سازی داده‌ها نامیده می‌شود.

فصل 2، سرور پارامتر و کاهش همه، دو طرح همگام سازی مدل به طور گسترده‌ای را در فرآیند آموزش موازی داده‌ها شرح می‌دهد.

فصل 3، ساخت خط لوله آموزشی و سرویس موازی داده، نحوه پیاده سازی آموزش موازی داده و گردش کار ارائه را نشان می‌دهد.

فصل 4، تنگناها و راه‌حل‌ها، چگونگی بهبود عملکرد موازی داده‌ها را با برخی تکنیک‌های پیشرفته، مانند پروتکل‌های ارتباطی کارآمدتر، کاهش ردپای حافظه، شرح می‌دهد.

فصل 5، تقسیم مدل، رویکرد موازی مدل وانیلی را به طور کلی معرفی می‌کند.

فصل 6، ورودی خط لوله و تقسیم لایه، نحوه بهبود کارایی سیستم با موازی‌سازی خطوط لوله را نشان می‌دهد.

فصل 7، پیاده‌سازی آموزش موازی مدل و گردش کار، نحوه پیاده‌سازی آموزش موازی مدل و سرویس‌دهی را به تفصیل مورد بحث قرار می‌دهد.

فصل 8، دستیابی به توان عملیاتی بالاتر و تأخیر کمتر، طرح‌های پیشرفته‌ای را برای کاهش محاسبات و مصرف حافظه در موازی‌سازی مدل پوشش می‌دهد.

فصل 9، ترکیبی از داده‌ها و موازی‌سازی مدل، داده‌ها و موازی‌سازی مدل را با هم به‌عنوان یک طرح آموزش/ارائه مدل پیشرفته موازی ترکیب می‌کند.

فصل 10، آموزش فدرال و دستگاه‌های لبه، در مورد یادگیری فدرال و نحوه دخالت دستگاه‌های لبه در این فرآیند صحبت می‌کند.

فصل 11، آموزش و سرویس مدل الاستیک، طرح کارآمدتری را توصیف می‌کند که می‌تواند تعداد شتاب‌دهنده‌های مورد استفاده در پرواز را تغییر دهد.

فصل 12، تکنیک‌های پیشرفته برای افزایش سرعت بیشتر، چندین ابزار مفید مانند ابزار اشکال زدایی عملکرد، چندگانه‌سازی کار، و آموزش مدل ناهمگن را خلاصه می‌کند.

سرفصل‌های کتاب Distributed Machine Learning with Python:

• Contributors
• About the author
• About the reviewers
• Preface
• Section 1 – Data Parallelism
  • Chapter 1: Splitting Input Data
  • Chapter 2: Parameter Server and All-Reduce
  • Chapter 3: Building a Data Parallel Training and Serving Pipeline
  • Chapter 4: Bottlenecks and Solutions
• Section 2 – Model Parallelism
  • Chapter 5: Splitting the Model
  • Chapter 6: Pipeline Input and Layer Split
  • Chapter 7: Implementing Model Parallel Training and Serving Workflows
  • Chapter 8: Achieving Higher Throughput and Lower Latency
• Section 3 – Advanced Parallelism Paradigms
  • Chapter 9: A Hybrid of Data and Model Parallelism
  • Chapter 10: Federated Learning and Edge Devices
  • Chapter 11: Elastic Model Training and Serving
  • Chapter 12: Advanced Techniques for Further Speed-Ups
• Other Books You May Enjoy

فایل کتاب Distributed Machine Learning with Python را می‌توانید پس از پرداخت، دریافت کنید.