کتاب Feature Store for Machine Learning (فروشگاه ویژگی برای یادگیری ماشین: ویژگی‌های ML را در مقیاس انتخاب کنید، کشف کنید، به اشتراک بگذارید و ارائه دهید) درباره‌ی ویژگی Feature Store در زمینه‌ی یادگیری ماشین توضیح می‌دهد. این کتاب در 8 فصل به شرح نکات کلیدی در این زمینه و کاربردهای آن خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Feature Store for Machine Learning را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Feature Store for Machine Learning:
تصمیم گیری مبتنی بر داده، کلید موفقیت هر کسب و کاری بوده است، و یادگیری ماشینی (ML) نقشی کلیدی در دستیابی به آن دارد و به کسب و کارها کمک می‌کند تا از رقبا جلوتر بمانند. اگرچه ML به باز کردن پتانسیل واقعی یک تجارت کمک می‌کند، موانع زیادی در این راه وجود دارد. طبق یک مطالعه، 90 درصد از مدل‌های ML هرگز به تولید نمی‌رسند. عدم ارتباط بین توسعه و تولید مدل و همچنین شیوه‌های بد یا متوسط ML تعدادی از دلایل متعدد این امر هستند.
به همین دلیل است که بسیاری از پلتفرم‌های ML سرتاسری وجود دارند که توسعه ML را آسان می‌کنند. یکی از اهداف اولیه این پلتفرم‌ها تشویق دانشمندان داده/مهندسین ML به پیروی از استانداردهای عملیات یادگیری ماشین (MLOps) است که به تولید سریع‌تر یک مدل کمک می‌کند.
در سال‌های اخیر، مدیریت ویژگی یکی از اهداف پلتفرم ML بوده است – چه در داخل ساخته شود و چه به عنوان یک پلتفرم به عنوان سرویس (PaaS) ارائه شود. یک فروشگاه ویژگی که توانایی ایجاد، اشتراک‌گذاری و کشف ویژگی‌های سرپرستی شده ML را فراهم می‌کند، به بخشی جدایی‌ناپذیر از بیشتر این پلتفرم‌های ML تبدیل شده است.
هدف کتاب Feature Store for Machine Learning بحث در مورد اهمیت ذخیره ویژگی در خطوط لوله ML است. از این رو، ما با یک مشکل ML شروع می‌کنیم و سعی می‌کنیم یک مدل بدون فروشگاه ویژگی توسعه دهیم. سپس بحث خواهیم کرد که چه جنبه‌هایی از ML می‌تواند از یک فروشگاه ویژگی سود ببرد و چگونه چند قابلیت فروشگاه ویژگی نه تنها به ایجاد شیوه‌های بهتر ML کمک می‌کند، بلکه به توسعه سریع‌تر و مقرون‌به‌صرفه‌تر مدل نیز کمک می‌کند.
همانطور که از چرا باید از فروشگاه ویژگی‌ها به چه چیزی استفاده کنیم؟ و چطور؟ از جنبه‌های آن، مهندسی ویژگی، آموزش مدل، استنتاج و همچنین تولید مدل‌های دسته‌ای و آنلاین را با مثال‌های کاربردی مرور خواهیم کرد. در بخش‌های اول و دوم کتاب، از یک فروشگاه ویژگی متن باز، Feast استفاده خواهیم کرد. در بخش آخر، به دنبال جایگزین‌هایی می‌گردیم که در بازار موجود هستند و همچنین یک مورد استفاده نهایی را با یک فروشگاه ویژگی مدیریت شده امتحان می‌کنیم.
کتاب Feature Store for Machine Learning برای چه کسی است؟
این کتاب برای مهندسین داده/ML/پلتفرم، دانشمندان داده و همچنین علاقه مندان به علم داده است که می‌خواهند درباره مدیریت ویژگی‌ها، نحوه استقرار Feast در ابر AWS، نحوه ایجاد ویژگی‌های ML سرپرستی شده و نحوه استفاده و همکاری با آن بیاموزند. سایر دانشمندان داده در ساخت مدل، با استفاده از یک فروشگاه ویژگی برای پیش‌بینی مدل دسته‌ای و آنلاین، و همچنین انتقال یک مدل از توسعه به تولید. این کتاب برای پروژه‌های ML که از پروژه‌های دانشگاهی کوچک تا برنامه‌های کاربردی ML در سطح سازمانی را شامل می‌شود مفید خواهد بود.
آنچه کتاب Feature Store for Machine Learning پوشش می‌دهد:
فصل 1، مروری بر چرخه زندگی یادگیری ماشین، با مقدمه‌ای کوچک بر ML شروع می‌شود و سپس عمیقاً به یک مورد استفاده از ML می‌پردازد – یک مدل ارزش طول عمر مشتری. این فصل مراحل مختلف توسعه ML را طی می‌کند و در نهایت، زمان‌برترین بخش‌های ML و همچنین اینکه دنیای ایده‌آل و دنیای واقعی در توسعه ML چگونه به نظر می‌رسد را مورد بحث قرار می‌دهد.
فصل دوم کتاب Feature Store for Machine Learning، فروشگاه‌های ویژگی چه مشکلاتی را حل می‌کنند؟، ما را با تمرکز اصلی کتاب که مدیریت ویژگی‌ها و فروشگاه‌های ویژگی است آشنا می‌کند. اهمیت ویژگی‌ها در سیستم‌های تولید، راه‌های مختلف برای وارد کردن ویژگی‌ها به تولید، و مسائل مشترک با این رویکردها را مورد بحث قرار می‌دهد، و به دنبال آن اینکه چگونه یک فروشگاه ویژگی می‌تواند بر این مسائل مشترک غلبه کند.
فصل 3 کتاب Feature Store for Machine Learning، اصول فروشگاه ویژگی، اصطلاحات و استفاده، با مقدمه‌ای بر یک فروشگاه ویژگی منبع باز – Feast – شروع می‌شود و سپس نصب، اصطلاحات مختلف مورد استفاده در دنیای فروشگاه ویژگی، و استفاده پایه API. در نهایت اجزای مختلفی را که در Feast با هم کار می‌کنند به اختصار معرفی می‌کند.
فصل 4 کتاب Feature Store for Machine Learning، افزودن Feature Store به مدل‌های ML، به خوانندگان کمک می‌کند تا Feast را در AWS نصب کنند، زیرا در حال مرور منابع مختلف، مانند سطل‌های S3، یک خوشه Redshift و کاتالوگ Glue، گام‌به‌گام با تصاویر صفحه است. در نهایت، جنبه مهندسی ویژگی مدل ارزش طول عمر مشتری را که در فصل 1، مروری بر چرخه زندگی یادگیری ماشین توسعه یافته است، بازبینی می‌کند و ویژگی‌های انتخاب شده را در Feast ایجاد و وارد می‌کند.
فصل 5، آموزش مدل و استنباط، از جایی که در فصل 4، افزودن فروشگاه ویژگی به مدل‌های ML رها کردیم، ادامه می‌یابد و به این موضوع می‌پردازد که چگونه یک فروشگاه ویژگی می‌تواند به دانشمندان داده و مهندسان ML برای همکاری در توسعه یک مدل ML کمک کند. نحوه استفاده از Feast برای استنتاج مدل دسته‌ای و همچنین نحوه ساخت REST API برای استنتاج مدل آنلاین بحث می‌کند.
فصل 6 کتاب Feature Store for Machine Learning، مدل تا تولید و فراتر از آن، ایجاد یک محیط ارکستراسیون را با استفاده از جریان‌های کاری مدیریت‌شده آمازون برای جریان هوای آپاچی (MWAA) مورد بحث قرار می‌دهد، از مهندسی ویژگی، آموزش مدل و کد/نوت‌بوک‌های استنتاج ساخته‌شده در فصل‌های قبلی استفاده می‌کند و دسته را به کار می‌گیرد. و خطوط لوله مدل آنلاین به تولید می‌رسد. در نهایت، جنبه‌های فراتر از تولید، مانند نظارت بر ویژگی، تغییرات در تعاریف ویژگی‌ها، و همچنین ساخت مدل بعدی ML را مورد بحث قرار می‌دهد.
فصل 7، گزینه‌های جشن و بهترین شیوه‌های ML، فروشگاه‌های ویژگی دیگری مانند Tecton، Databricks Feature Store، Google Cloud’s Vertex AI، Hopsworks Feature Store و Amazon SageMaker Feature Store را معرفی می‌کند. همچنین استفاده اولیه از دومی را معرفی می‌کند تا کاربران بتوانند جوهره استفاده از فروشگاه ویژگی‌های مدیریت شده را بفهمند. در نهایت، به طور خلاصه بهترین شیوه‌های ML را مورد بحث قرار می‌دهد.
فصل 8 کتاب Feature Store for Machine Learning، مورد استفاده – پیش‌بینی ریزش مشتری، از یک فروشگاه ویژگی مدیریت شده از Amazon SageMaker استفاده می‌کند و از طریق یک مورد استفاده نهایی برای پیش‌بینی ریزش مشتری در مجموعه داده‌های مخابراتی اجرا می‌شود. همچنین نمونه‌هایی از پایش دریفت ویژگی و نظارت بر عملکرد مدل را پوشش می‌دهد.
سرفصل‌های کتاب Feature Store for Machine Learning:
- Contributors
- About the author
- About the reviewer
- Preface
- Section 1 – Why Do We Need a Feature Store?
- Chapter 1: An Overview of the Machine Learning Life Cycle
- Chapter 2: What Problems Do Feature Stores Solve?
- Section 2 – A Feature Store in Action
- Chapter 3: Feature Store Fundamentals, Terminology, and Usage
- Chapter 4: Adding Feature Store to ML Models
- Chapter 5: Model Training and Inference
- Chapter 6: Model to Production and Beyond
- Section 3 – Alternatives, Best Practices, and a Use Case
- Chapter 7: Feast Alternatives and ML Best Practices
- Chapter 8: Use Case – Customer Churn Prediction
- Other Books You May Enjoy
جهت دانلود کتاب Feature Store for Machine Learning می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.