کتاب Machine Learning Engineering in Action یا مهندسی یادگیری ماشین در عمل، به زبان ساده آموزش علم یادگیری ماشین را با عمل و کار واقعی آموزش می‌دهد. این کتاب در 3 بخش اصلی با نام‌های مقدمه‌ای بر یادگیری ماشین، آماده‌سازی برای تولید: ایجاد ML قابل نگهداری، توسعه کد یادگیری ماشینی تولید، به شما مقدمات تا نکات پیشرفته‌ی این علم کاربردی را آموزش خواهد داد.
در ادامه مقدمه‌ای از کتاب Machine Learning Engineering in Action را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Machine Learning Engineering in Action:
من حتی در جوانی لجباز بودم. وقتی مردم راه‌های ساده‌ای را برای انجام کارها پیشنهاد می‌کردند، توصیه‌ها را نادیده می‌گرفتم و همیشه کارها را به روش سخت انجام می‌دادم. دهه‌ها بعد، با تغییر شغل‌های چالش‌برانگیز فزاینده، تغییر چندانی نکردم، و در نهایت وارد قلمرو علم داده (DS) و مهندسی یادگیری ماشین (ML) و اکنون توسعه نرم‌افزار ML شدم.
به عنوان یک دانشمند داده در صنعت، من همیشه نیاز به ایجاد راه حل‌های بسیار پیچیده را احساس می‌کردم، و به صورت مجزا برای حل یک مشکل معین به روشی که فکر می‌کردم بهترین است، کار می‌کردم.
من موفقیت‌هایی داشتم اما شکست‌های زیادی داشتم، و به طور کلی با تغییر شغلی به شغل دیگر، دنباله‌ای از کدهای غیرقابل حفظ را به جای گذاشتم. این چیزی نیست که من به خصوص به آن افتخار کنم. سال‌ها پس از ترک یک موقعیت، همکاران قبلی با من تماس گرفتند تا به من بگویند که کد من همچنان هر روز اجرا می‌شود.
وقتی علت را از هر یک از آن‌ها پرسیدم، همان پاسخ آزاردهنده‌ای را دریافت کردم که باعث شد از اجرای خود پشیمان شوم: “هیچکس نمی‌تواند آن را بفهمد تا تغییراتی در آن ایجاد کند، و خاموش کردن آن خیلی مهم است.”
من یک دانشمند داده بد بودم. من حتی یک مهندس ML بدتر بودم. سال‌ها طول کشید تا یاد بگیرم چرا اینطور است. آن سرسختی و مقاومت برای حل مشکلات به ساده‌ترین راه، دردسرهای زیادی را برای دیگران ایجاد کرد، چه به دلیل تعداد زیاد پروژه‌های لغو شده در زمانی که در شرکت‌ها بودم و چه در بدهی فنی غیرقابل حفظی که در پی خود باقی گذاشتم.
تا زمانی که آخرین شغلم، کار به عنوان معمار راه حل‌های مقیم در Databricks (در اصل یک مشاور میدانی فروشنده) بود، شروع کردم به یادگیری اینکه کجا اشتباه کرده‌ام و نحوه برخوردم با حل مشکلات را تغییر دادم.
احتمالاً چون اکنون به عنوان مشاور برای کمک به دیگرانی که با مشکلات علم داده دست و پنجه نرم می‌کردند کار می‌کردم، می‌توانستم کاستی‌های خودم را از طریق بازتاب انتزاعی آنچه که آن‌ها با آن دست و پنجه نرم می‌کردند ببینم. در چند سال گذشته، من به تیم‌های زیادی کمک کرده‌ام تا از بسیاری از دام‌هایی که تجربه کرده‌ام (و از طریق سرسختی و غرور خودم ایجاد کرده‌ام) اجتناب کنند.
به این نتیجه رسیدم که نوشتن برخی از این توصیه‌هایی که به طور منظم به مردم می‌دهم می‌تواند برای مخاطبان وسیع‌تری مفید باشد، فراتر از گفتگوهای فردی من با تیم‌های جدا شده در زمینه شغلم.
از این گذشته، استفاده از یادگیری ماشین در یک مورد استفاده در دنیای واقعی به اندازه کافی سخت است که همراه با مثال‌ها و کتاب‌هایی در مورد مفاهیم ML کاربردی دنبال شود. وقتی پیچیدگی خیره کننده کار پروژه پایان به انتها را معرفی می‌کنید (که تمرکز این کتاب است)، تعجب کمی دارد که بسیاری از شرکت‌ها در درک پتانسیل ML در تجارت خود ناکام می‌مانند. فقط سخته با این حال، اگر راهنما داشته باشید، آسان‌تر است.
هدف کتاب Machine Learning Engineering in Action این نیست که راهنمای ML کاربردی باشد. ما قرار نیست الگوریتم‌ها یا تئوری‌هایی را در مورد اینکه چرا یک مدل برای یک مورد خاص از مدل دیگر بهتر است پوشش دهیم، و همچنین در تمام جزئیات برای حل مشکلات فردی تحقیق نمی‌کنیم.
بیشتر بخوانید: کتاب Hands-on Machine Learning with Python
در عوض، کتاب Machine Learning Engineering in Action راهنمایی برای جلوگیری از دام‌هایی است که من شاهد افتادن تیم‌های زیادی در آن‌ها بودم (و مشکلاتی که مجبور شدم به عنوان یک تمرین‌کننده از آن‌ها خلاص شوم). این یک رویکرد کلی برای استفاده از تکنیک‌های DS برای حل مشکلات است به گونه‌ای که شما، مشتریانتان (مشتریان داخلی شرکت شما) و همتایانتان پشیمان نشوید. این راهنمایی برای کمک به شما برای جلوگیری از انجام برخی از اشتباهات واقعا احمقانه ای است که من مرتکب شده ام.
به قول دو ضرب‌المثل مورد علاقه من که نسبتاً اخیراً به دست آورده‌ام:
از باتجربه‌ها بپرسید تا دانش‌آموخته‌ها.
- ضرب‌المثل عربی
بهترین کار این است که خرد را با تجربه دیگران بیاموزیم.
- ضرب‌المثل لاتین
در مورد کتاب Machine Learning Engineering in Action
مهندسی یادگیری ماشین در عمل، بسط توصیه‌ها، خرد به دست آمده و نکات کلی است که در چند سال گذشته با مشتریان به اشتراک گذاشته‌ام. این کتابی در زمینه تئوری نیست، و همچنین قرار نیست شما را وادار کند که بهترین مدل‌ها را برای یک مشکل خاص بسازید.
آن کتاب‌ها قبلاً توسط نویسندگان بزرگ نوشته شده و هستند. این کتابی است که بر روی “موارد دیگر” متمرکز شده است.
چه کسی باید کتاب Machine Learning Engineering in Action را بخواند؟
این کتاب برای دستیابی به مخاطبان نسبتاً زیادی در جامعه ML در نظر گرفته شده است. نه آنقدر در علف‌های هرز است که مختص مهندسان ML باشد، و نه آنقدر سطح بالا که به طور انحصاری به نفع افراد عادی نوشته شود. قصد من از نوشتن آن به روشی که انجام دادم این است که آن را برای هر کسی که در فرآیند استفاده از ML برای حل مشکلات تجاری درگیر است، قابل دسترس کنم.
من از برخی از بازخوردهای اولیه در طول توسعه کتاب Machine Learning Engineering in Action شگفت زده شده ام. یکی از اولین سوالاتی که من از افرادی که تماس گرفته اند می‌پرسم این است که “چه کار می‌کنید؟” من طیف گسترده‌تری از عناوین شغلی و صنایع را نسبت به آنچه تصور می‌کردم دریافت کرده‌ام – سرمایه‌گذاران خطرپذیر با مدرک دکترای اقتصاد، مهندسان ML با 20 سال تجربه صنعت در برخی از معتبرترین شرکت‌های فناوری، مدیران محصول در استارت‌آپ‌های سیلیکون ولی. و دانشجویان دانشگاه در سال اول. این به من امکان می‌دهد بدانم که کتاب Machine Learning Engineering in Action برای همه چیزهایی ارائه می‌دهد که از نظر استفاده از مهندسی ML برای ساختن چیزی موفق هستند.
نحوه سازماندهی این کتاب: نقشه راه
کتاب Machine Learning Engineering in Action دارای سه بخش اصلی است که به نقاط عطف در هر پروژه ML می‌پردازد. از مراحل اولیه محدوده «ما در صدد حل چه چیزی هستیم؟» تا مرحله نهایی “چگونه این راه حل را برای سال‌های آینده مرتبط نگه می‌داریم؟”، این کتاب در هر یک از این دوره‌های اصلی به همان ترتیب منطقی حرکت می‌کند که شما این موضوعات را در حین کار روی یک پروژه در نظر بگیرید:
بخش 1 کتاب Machine Learning Engineering in Action (فصل‌های 1-8) عمدتاً بر مدیریت پروژه‌های ML از دیدگاه سرپرست تیم، مدیر یا سرپرست پروژه متمرکز است. این طرحی را برای محدوده‌بندی، آزمایش، نمونه‌سازی اولیه و بازخورد فراگیر ارائه می‌کند تا به شما کمک کند در دام‌های راه‌حل‌سازی نیفتید.
بخش 2 کتاب Machine Learning Engineering in Action (فصل 9-13) روند توسعه پروژه‌های ML را پوشش می‌دهد. با مثال‌هایی (چه خوب و چه بد) از توسعه راه‌حل‌های ML، این بخش شما را از طریق روش‌های اثبات‌شده ساخت، تنظیم، ثبت و ارزیابی راه‌حل ML می‌برد تا مطمئن شود که ساده‌ترین و قابل نگهداری‌ترین کد ممکن را می‌سازید.
بخش 3 کتاب Machine Learning Engineering in Action (فصل 14-16) بر روی “بعد” متمرکز است: به طور خاص، ملاحظات مربوط به ساده‌سازی انتشار تولید، آموزش مجدد، نظارت و تخصیص برای یک پروژه. با مثال‌های متمرکز بر تست A/B، فروشگاه‌های ویژگی، و سیستم بازآموزی غیرفعال، به شما نشان داده می‌شود که چگونه سیستم‌ها و معماری‌هایی را پیاده‌سازی کنید که می‌توانند اطمینان حاصل کنند که در حال ساخت راه‌حل کم‌پیچیده برای حل یک مشکل تجاری با ML هستید.
سرفصل‌های کتاب Machine Learning Engineering in Action:
- brief contents
- contents
- preface
- acknowledgments
- about this book
- about the author
- about the cover illustration
- Part 1—An introduction to machine learning engineering
- 1 What is a machine learning engineer?
- 2 Your data science could use some engineering
- 3 Before you model: Planning and scoping a project
- 4 Before you model: Communication and logistics of projects
- 5 Experimentation in action: Planning and researching an ML project
- 6 Experimentation in action: Testing and evaluating a project
- 7 Experimentation in action: Moving from prototype to MVP
- 8 Experimentation in action: Finalizing an MVP with MLflow and runtime optimization
- Part 2—Preparing for production: Creating maintainable ML
- 9 Modularity for ML: Writing testable and legible code
- 10 Standards of coding and creating maintainable ML code
- 11 Model measurement and why it’s so important
- 12 Holding on to your gains by watching for drift
- 13 ML development hubris
- Part 3—Developing production machine learning code
- 14 Writing production code
- 15 Quality and acceptance testing
- 16 Production infrastructure
- Appendix A—Big O(no) and how to think about runtime performance
- Appendix B—Setting up a development environment
- index
فایل کتاب Machine Learning Engineering in Action را می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.