کتاب Mastering Azure Machine Learning

کتاب Mastering Azure Machine Learning یا تسلط بر یادگیری ماشینی Azure، نسخه دوم از این کتاب است که در سال 2022 به چاپ رسیده است. این کتاب در 17 فصل به آموزش مفاهیم مقدماتی در یادگیری ماشین تا نکات پیشرفته‌ی آن در نرم‌افزار آژور مایکروسافت خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Mastering Azure Machine Learning را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Mastering Azure Machine Learning:

در طول دهه گذشته، یادگیری ماشینی (ML) از یک مفهوم خاص که در محافل علمی روی آن کار شده است به یک مجموعه ابزار درجه یک سازمانی تبدیل شده است که می‌تواند برای بهبود فرآیندهای تجاری و ساخت محصولات و خدمات هوشمند مورد استفاده قرار گیرد. دلیل اصلی افزایش مداوم حجم داده‌های تولید شده در سطح جهانی است که برای محاسبه بینش‌ها به سیستم‌های توزیع‌شده، الگوریتم‌های قدرتمند و زیرساخت‌های ابری مقیاس‌پذیر نیاز دارد.

کتاب Mastering Azure Machine Learning به شما کمک می‌کند تا دانش خود را در مورد مفاهیم ML بهبود ببخشید، مدل‌های مناسب را برای موارد استفاده خود بیابید، و مهارت لازم برای اجرای مدل‌های یادگیری ماشین و ایجاد خطوط لوله ML سرتاسر در ابر Azure را به شما می‌دهد.

کتاب Mastering Azure Machine Learning با مروری بر هر مرحله از پروژه ML سرتاسر و راهنمایی در مورد نحوه انتخاب سرویس Azure مناسب برای وظایف مختلف ML شروع می‌شود. از آنجا به بعد، روی سرویس یادگیری ماشینی Azure تمرکز می‌کند و شما را در فرآیندهای مهم آماده سازی داده‌ها و مهندسی ویژگی‌ها راهنمایی می‌کند.

پس از آن، کتاب Mastering Azure Machine Learning بر تکنیک‌های مدل‌سازی ML برای نیازهای مختلف، از جمله تکنیک‌های استخراج ویژگی پیشرفته با استفاده از پردازش زبان طبیعی (NLP)، تکنیک‌های کلاسیک ML مانند یادگیری گروهی، و اسرار یک موتور توصیه عالی و یک مدل بینایی کامپیوتری کارآمد تمرکز دارد.

با استفاده از روش‌های یادگیری عمیق علاوه بر این، این کتاب نحوه آموزش، بهینه‌سازی و تنظیم مدل‌ها را با استفاده از یادگیری ماشین خودکار Azure و HyperDrive و انجام آموزش مدل در کلاسترهای آموزشی توزیع‌شده در Azure را بررسی می‌کند.

در نهایت، این کتاب استقرار مدل‌های ML را در محاسبات هدف مختلف مانند خوشه‌های یادگیری ماشینی Azure، سرویس Azure Kubernetes و آرایه‌های دروازه برنامه‌پذیر میدانی (FPGA) به همراه راه‌اندازی خطوط لوله MLOps با Azure DevOps را پوشش می‌دهد.

در پایان این کتاب، شما پایه و اساس اجرای یک پروژه ML سنجیده شده را از ابتدا تا انتها خواهید داشت و بر ابزارهای موجود در Azure برای آموزش، استقرار و راه اندازی مدل‌ها و خطوط لوله ML تسلط خواهید داشت.

این کتاب برای چه کسی است؟

کتاب Mastering Azure Machine Learning برای مهندسین یادگیری ماشین، دانشمندان داده و توسعه دهندگان یادگیری ماشین نوشته شده است که می‌خواهند از ابر Microsoft Azure برای مدیریت مجموعه داده‌ها و آزمایش‌های یادگیری ماشین خود استفاده کنند و یک معماری ML درجه سازمانی با استفاده از MLOps بسازند. هر خواننده ای که به موضوع ML علاقه مند باشد، مراحل مهم فرآیند ML و نحوه استفاده از یادگیری ماشینی Azure را برای پشتیبانی از آن‌ها خواهد آموخت. این کتاب از هر کسی که برنامه‌های ابری قدرتمند ML بسازد، پشتیبانی می‌کند. درک اولیه پایتون و دانش ML توصیه می‌شود.

آنچه کتاب Mastering Azure Machine Learning پوشش می‌دهد:

فصل 1، درک فرآیند یادگیری ماشینی پایان به انتها، تاریخچه ML، سناریوهایی را که در آن ML به کار می‌رود، دانش آماری لازم، و مراحل و اجزای مورد نیاز برای اجرای پروژه سفارشی ML پایان به انتها را پوشش می‌دهد. . هدف آن رساندن هر خواننده به همان سطح پایه است.

به همین دلیل، برخی از بخش‌ها ممکن است خلاصه‌ای برای خوانندگانی باشد که در مورد ML بسیار آگاه هستند، اما همچنان ممکن است نکات و دستورالعمل‌های کاربردی مفیدی برای آن‌ها داشته باشد. همچنین به گونه‌ای طراحی شده است که راهنمای بقیه کتاب باشد، جایی که هر مرحله در فرآیند ML به فصل‌هایی اشاره می‌کند که آن‌ها را با جزئیات پوشش می‌دهد.

فصل 2 کتاب Mastering Azure Machine Learning، انتخاب سرویس یادگیری ماشین مناسب در Azure، به ما کمک می‌کند تا خدمات Azure موجود برای ML را درک و طبقه‌بندی کنیم. ما سناریوهایی را برای استفاده از خدمات خاص تعریف خواهیم کرد و به این نتیجه خواهیم رسید که برای ساخت مدل‌های سفارشی ML، یادگیری ماشینی Azure بهترین انتخاب است. از این فصل به بعد، ما از ابزارهای موجود در سرویس یادگیری ماشینی Azure برای انجام تمام وظایف آتی در فرآیند ML استفاده می‌کنیم.

فصل 3 کتاب Mastering Azure Machine Learning، آماده‌سازی فضای کاری یادگیری ماشین Azure، راه‌اندازی سرویس یادگیری ماشینی Azure و برخی آموزش‌های عملی اولیه ML با استفاده از این سرویس را پوشش می‌دهد. ما همزمان با یادگیری نحوه ردیابی آزمایش‌ها، ترسیم معیارها و ایجاد عکس‌های فوری از اجرای ML با ابزار موجود در یادگیری ماشینی Azure، آزمایش‌های آموزش ML را انجام خواهیم داد.

فصل 4 کتاب Mastering Azure Machine Learning، جذب داده و مدیریت مجموعه‌های داده، خدمات موجود Azure برای ذخیره داده‌های زیربنایی ما و نحوه تنظیم آن‌ها در Azure را پوشش می‌دهد.

علاوه بر این، خواهیم فهمید که چگونه می‌توانیم داده‌های مورد نیاز را به صورت دستی یا خودکار از طریق فرآیندهای استخراج، تبدیل، و بارگذاری (ETL) به این سرویس‌ها بیاوریم و چگونه می‌توانیم سایر سرویس‌های داده Azure را با یادگیری ماشینی Azure ادغام کنیم. در نهایت، مفاهیم ذخیره‌سازی داده‌ها و مجموعه‌های داده در یادگیری ماشینی Azure و نحوه استفاده از آن‌ها در آزمایش‌های خود را معرفی می‌کنیم.

فصل 5 کتاب Mastering Azure Machine Learning، انجام تجزیه و تحلیل داده‌ها و تجسم، مراحل مورد نیاز برای کاوش و پیش پردازش یک مجموعه داده ML را پوشش می‌دهد. ما تفاوت بین مجموعه داده جدولی و فایل را درک خواهیم کرد، و یاد خواهیم گرفت که چگونه مجموعه داده خود را تمیز کنیم، ویژگی‌ها را به هم مرتبط کنیم، و از ویژگی‌های آماری و دانش دامنه استفاده کنیم تا بینش را در مورد مجموعه داده خود به دست آوریم.

با استفاده از چیزهایی که آموخته ایم، به صورت عملی روی یک مجموعه داده واقعی برای به کارگیری دانش خود خواهیم رفت. در نهایت، نگاهی به برخی از تکنیک‌های رایج جاسازی مانند PCA، LDA، t-SNE و UMAP خواهیم داشت.

فصل 6 کتاب Mastering Azure Machine Learning، مهندسی ویژگی و برچسب‌گذاری، فرآیند مهم ایجاد یا تطبیق ویژگی‌ها در مجموعه داده ما و ایجاد برچسب‌ها برای آموزش ML تحت نظارت را پوشش می‌دهد. ما دلایل تغییر ویژگی‌های خود را درک خواهیم کرد و به انواع روش‌های موجود برای ایجاد، تبدیل، استخراج و انتخاب ویژگی‌ها در یک مجموعه داده نگاهی خواهیم انداخت، که سپس در مجموعه داده‌های واقعی خود استفاده خواهیم کرد. علاوه بر این، تکنیک‌هایی را برای برچسب‌گذاری انواع مختلف مجموعه داده‌ها و استفاده از ابزار برچسب‌گذاری داده در یادگیری ماشینی Azure بررسی خواهیم کرد.

فصل 7 کتاب Mastering Azure Machine Learning، استخراج ویژگی‌های پیشرفته با NLP، ما را یک قدم جلوتر می‌برد تا ویژگی‌ها را از داده‌های متنی و طبقه بندی استخراج کنیم – مشکلی که کاربران اغلب هنگام آموزش مدل‌های ML با آن مواجه می‌شوند. این فصل مبانی استخراج ویژگی برای پردازش زبان طبیعی (NLP) را شرح خواهد داد. این به ما کمک می‌کند تا با استفاده از تکنیک‌هایی از جمله n-gram، Bag of Words، TF-IDF، Word2Vec و غیره، جاسازی‌های معنایی را از داده‌های مقوله‌ای و متنی ایجاد کنیم.

فصل 8 کتاب Mastering Azure Machine Learning، خطوط لوله یادگیری ماشینی Azure، به این موضوع می‌پردازد که چگونه می‌توانیم آنچه را که آموخته‌ایم در یک خط لوله پیش‌پردازش و آموزش خودکار با استفاده از خطوط لوله یادگیری ماشین Azure ترکیب کنیم. ما یاد خواهیم گرفت که چگونه کد خود را به مراحل خط لوله مدولار تقسیم کنیم و چگونه خطوط لوله را از طریق نقاط پایانی و زمان بندی پارامترسازی و راه اندازی کنیم. در نهایت، ما چند خط لوله آموزشی ایجاد خواهیم کرد و نحوه ادغام آن‌ها را با سایر خدمات Azure یاد خواهیم گرفت.

فصل 9 کتاب Mastering Azure Machine Learning، ساخت مدل‌های ML با استفاده از یادگیری ماشینی Azure، به شما می‌آموزد که چگونه از تکنیک‌های هم‌سازی برای ساخت یک مدل سنتی ML در Azure استفاده کنید. این فصل بر یادگیری گروهی مبتنی بر درخت تصمیم با تکنیک‌های پیشرفته تقویت و بسته‌بندی با استفاده از LightGBM در یادگیری ماشینی Azure تمرکز دارد. این به شما کمک می‌کند تا مفاهیم بسته بندی و تقویت را در مدل‌های ML اعمال کنید.

فصل 10 کتاب Mastering Azure Machine Learning، آموزش شبکه‌های عصبی عمیق در Azure، آموزش مدل‌های پارامتریک پیچیده تر را با استفاده از یادگیری عمیق برای تعمیم بهتر در مجموعه داده‌های بزرگ پوشش می‌دهد. ما یک نمای کلی کوتاه و کاربردی از این که یادگیری عمیق در چه موقعیت‌هایی می‌تواند به خوبی اعمال شود و تفاوت آن با رویکردهای سنتی تر ML ارائه خواهیم کرد. پس از آن، دستورالعمل‌های منطقی و عملی را مورد بحث قرار می‌دهیم تا در نهایت یک شبکه عصبی کانولوشن (CNN) در مورد یادگیری ماشین لاجوردی با استفاده از Keras آموزش دهیم.

فصل 11، تنظیم فراپارامتر و یادگیری خودکار ماشین، بهینه سازی فرآیند آموزش ML و نحوه خودکارسازی آن برای جلوگیری از خطاهای انسانی را پوشش می‌دهد. این ترفندهای تنظیم به شما کمک می‌کند تا مدل‌ها را سریع تر و کارآمدتر آموزش دهید.

بنابراین، ما به تنظیم هایپرپارامتر (که در یادگیری ماشینی Azure نیز HyperDrive نامیده می‌شود)، یک تکنیک استاندارد برای بهینه سازی تمام پارامترهای خارجی یک مدل ML خواهیم دید. با ارزیابی تکنیک‌های نمونه‌گیری مختلف برای تنظیم فراپارامتر، مانند نمونه‌گیری تصادفی، نمونه‌گیری شبکه‌ای، و بهینه‌سازی بیزی، یاد می‌گیرید که چگونه به طور کارآمدی مبادلات بین زمان اجرا و عملکرد مدل را مدیریت کنید. سپس، از بهینه‌سازی هایپرپارامتر به خودکارسازی فرآیند آموزش کامل ML با استفاده از یادگیری ماشین خودکار Azure تعمیم می‌دهیم.

بیشتر بخوانید: کتاب Mastering Azure Security

فصل 12 کتاب Mastering Azure Machine Learning، یادگیری ماشینی توزیع‌شده در Azure، به الگوریتم‌ها و چارچوب‌های محاسباتی توزیع‌شده و موازی برای آموزش مؤثر مدل‌های ML به موازات GPUها می‌پردازد. هدف این فصل ساخت محیطی در Azure است که در آن بتوانید با افزودن ماشین‌های بیشتر به محیط آموزشی خود، روند آموزش مدل‌های کلاسیک ML و یادگیری عمیق را تسریع بخشید.

فصل 13 کتاب Mastering Azure Machine Learning، ساخت موتور توصیه در Azure، به موتورهای توصیه سنتی و مدرنی می‌پردازد که اغلب فناوری‌ها و تکنیک‌های پوشش داده شده در فصل‌های قبلی را با هم ترکیب می‌کنند. ما نگاهی گذرا به انواع مختلف موتورهای توصیه می‌کنیم، چه داده‌هایی برای هر نوع مورد نیاز است، و چه مواردی را می‌توان با استفاده از این رویکردهای مختلف توصیه کرد، مانند توصیه‌های مبتنی بر محتوا و موتورهای توصیه مبتنی بر رتبه‌بندی. ما هر دو تکنیک را در یک توصیه‌کننده ترکیبی ترکیب می‌کنیم و در مورد تکنیک‌های پیشرفته برای موتورهای توصیه مدرن یاد می‌گیریم.

فصل 14 کتاب Mastering Azure Machine Learning، استقرار مدل، نقاط پایانی و عملیات، در نهایت نحوه وارد کردن مدل‌های ML خود را به یک محیط تولید، با استقرار آن‌ها در یک خوشه دسته‌ای برای امتیازدهی آفلاین یا به عنوان نقطه پایانی برای امتیازدهی آنلاین، پوشش می‌دهد. برای دستیابی به آن، ما می‌خواهیم مدل و زمان اجرا را بسته‌بندی کنیم، هر دو را در یک رجیستری مدل ثبت کنیم و آن‌ها را در یک محیط اجرا مستقر کنیم.

ما مدل‌هایی را از یادگیری ماشینی Azure تا سرویس Azure Kubernetes را تنها با چند خط کد به‌طور خودکار مستقر خواهیم کرد. در نهایت، یاد خواهید گرفت که چگونه محیط‌های هدف خود را با استفاده از معیارهای سفارشی خارج از جعبه نظارت کنید.

فصل 15، قابلیت همکاری مدل، بهینه‌سازی سخت‌افزار و یکپارچه‌سازی، روش‌های استانداردسازی قالب‌های مدل استقرار را با استفاده از تبادل شبکه عصبی باز (ONNX)، آرایه‌های دروازه برنامه‌پذیر میدانی (FPGA) و نحوه استفاده از آن‌ها به عنوان هدف استقرار در Azure را پوشش می‌دهد. . علاوه بر این، نحوه ادغام Azure Machine Learning را با سایر خدمات مایکروسافت مانند Azure IoT Edge و Power BI خواهیم آموخت.

در اینجا، تفاوت‌های اساسی بین FPGA و GPU را از نظر عملکرد، هزینه و کارایی درک خواهیم کرد و به طور عملی در Power BI برای ادغام یکی از نقاط پایانی که قبلاً مستقر شده‌ایم استفاده می‌کنیم.

فصل 16 کتاب Mastering Azure Machine Learning، وارد کردن مدل‌ها به تولید با MLOs، در نهایت نحوه قرار دادن داده‌ها، آماده‌سازی داده‌ها، خطوط لوله آموزش و استقرار ML و هر اسکریپت مورد نیاز را در یک عملیات انتها به انتها پوشش می‌دهد. این شامل ایجاد محیط می‌شود.

شروع، توقف، و مقیاس‌بندی خوشه‌ها. ارائه آزمایشات؛ انجام بهینه سازی پارامتر؛ و استقرار خدمات امتیازدهی کامل در Kubernetes. ما از تمام مفاهیمی که قبلاً استفاده کرده‌ایم برای ایجاد یک فرآیند آموزش و استقرار خودکار ML با نسخه کنترل‌شده، قابل تکرار، خودکار به‌عنوان خط لوله یکپارچه‌سازی/استقرار مستمر (CI/CD) در Azure DevOps دوباره استفاده خواهیم کرد.

فصل 17 کتاب Mastering Azure Machine Learning، آماده‌سازی برای یک سفر موفق ML، کتاب را با ارائه خلاصه‌ای از مفاهیم اصلی که در سراسر آن آموخته‌ایم به پایان می‌رساند و آنچه را که واقعاً هنگام انجام ML اهمیت دارد، برجسته می‌کند.

ما اهمیت زیرساخت، نظارت و اتوماسیون پایه پاک را تکرار می‌کنیم و در مورد ماهیت همیشه در حال تغییر ML و خدمات مبتنی بر ابر صحبت می‌کنیم. در نهایت، یکی از مهم ترین موضوعاتی را که در سراسر کتاب به آن نگاه کردیم، یعنی اخلاق در پردازش داده‌ها را پوشش می‌دهیم. ما در مورد مسئولیت شما برای داشتن مدل‌های ML منصفانه و قابل توضیح صحبت خواهیم کرد و اینکه چگونه یادگیری ماشینی Azure و ابزار منبع باز می‌تواند به شما در دستیابی به آن کمک کند.

سرفصل‌های کتاب Mastering Azure Machine Learning:

• Contributors
• About the authors
• About the reviewers
• Preface
• Section 1: Introduction to Azure Machine Learning
  • Chapter 1: Understanding the End-to-End Machine Learning Process
  • Chapter 2: Choosing the Right Machine Learning Service in Azure
  • Chapter 3: Preparing the Azure Machine Learning Workspace
• Section 2: Data Ingestion, Preparation, Feature Engineering, and Pipelining
  • Chapter 4: Ingesting Data and Managing Datasets
  • Chapter 5: Performing Data Analysis and Visualization
  • Chapter 6: Feature Engineering and Labeling
  • Chapter 7: Advanced Feature Extraction with NLP
  • Chapter 8: Azure Machine Learning Pipelines
• Section 3: The Training and Optimization of Machine Learning Models
  • Chapter 9: Building ML Models Using Azure Machine Learning
  • Chapter 10: Training Deep Neural Networks on Azure
  • Chapter 11: Hyperparameter Tuning and Automated Machine Learning
  • Chapter 12: Distributed Machine Learning on Azure
  • Chapter 13: Building a Recommendation Engine in Azure
• Section 4: Machine Learning Model Deployment and Operations
  • Chapter 14: Model Deployment, Endpoints, and Operations
  • Chapter 15: Model Interoperability, Hardware Optimization, and Integrations
  • Chapter 16: Bringing Models into Production with MLOps
  • Chapter 17: Preparing for a Successful ML Journey
• Other Books You May Enjoy

فایل کتاب Mastering Azure Machine Learning را می‌توانید پس از پرداخت، دریافت کنید.