کتاب Practical Machine Learning on Databricks

کتاب Practical Machine Learning on Databricks: Seamlessly transition ML models and MLOps on Databricks (یادگیری ماشینی عملی بر روی Databricks: انتقال یکپارچه مدل‌های ML و MLOps در Databricks) در 3 بخش مختلف آموزش کار با ابزار Databrick و استفاده از آن را برای مدل‌های یادگیری ماشین را شرح خواهد داد.

در ادامه مقدمه‌ای از کتاب Practical Machine Learning on Databricks را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Practical Machine Learning on Databricks:

این کتاب که برای دانشمندان و توسعه‌دهندگان باتجربه داده طراحی شده است، راهنمای قطعی شما برای استفاده از Databricks برای پروژه‌های یادگیری ماشینی سرتاسر است. با فرض پایه‌ای قوی در پایتون، آمار، چرخه‌های زندگی یادگیری ماشین و درک مقدماتی Spark، هدف این منبع انتقال متخصصان از محیط‌های DIY یا دیگر پلت فرم‌های ابری به اکوسیستم Databricks است.

سفر خود را با یک نمای کلی مختصر از چشم انداز یادگیری ماشین آغاز کنید و به دنبال آن یک فرو رفتن عمیق در ویژگی‌های Databricks و چارچوب MLflow انجام دهید. در میان عناصر حیاتی از جمله آماده‌سازی داده‌ها، انتخاب مدل و آموزش حرکت کنید، همه در حین بهره‌برداری از فروشگاه‌های ویژگی Databricks برای مهندسی ویژگی کارآمد. از Databricks AutoML استفاده کنید تا به سرعت پروژه‌های خود را آغاز کنید و یاد بگیرید که چگونه آموزش مجدد و استقرار مدل را از طریق گردش کار Databricks به طور خودکار انجام دهید.

با پایان کتاب Practical Machine Learning on Databricks، شما به خوبی در استفاده از MLflow برای ردیابی آزمایش، همکاری بین تیمی، و رسیدگی به نیاز‌های پیشرفته مانند تفسیرپذیری مدل و حاکمیت، آشنا خواهید شد. این کتاب مملو از نمونه‌های کد عملی است و بر ویژگی‌های فعلی و عموماً در دسترس تمرکز دارد، اما شما را مجهز می‌کند تا به سرعت با فناوری‌های نوظهور در یادگیری ماشین، Databricks و MLflow سازگار شوید.

بیشتر بخوانید: کتاب MLOps Engineering at Scale

کتاب Practical Machine Learning on Databricks برای چه کسانی است؟

این کتاب برای دانشمندان داده و توسعه‌دهندگانی که به خوبی با Python، آمار و چرخه‌های عمر ML آشنا هستند، نوشته شده است، این کتاب راهنمای انتقال شما به Databricks است. ‌ایده‌آل برای کسانی که از DIY یا سایر تنظیمات ابری تغییر می‌کنند، دانش مقدماتی Spark را در نظر گرفته و جریان‌های کاری ML را پوشش می‌دهد.

آنچه کتاب Practical Machine Learning on Databricks پوشش می‌دهد:

فصل ۱، فرآیند ML و چالش‌های آن، مروری بر موارد مختلف استفاده از علم داده در حوزه‌های مختلف ارائه می‌کند. این مراحل و نقش‌های مختلف درگیر در یک پروژه ML، از مهندسی داده تا تجزیه و تحلیل، مهندسی ویژگی، و آموزش و استقرار مدل ML را مشخص می‌کند.

فصل ۲، بررسی اجمالی ML در Databricks، شما را در فرآیند ثبت نام برای یک حساب آزمایشی Databricks راهنمایی می‌کند و ویژگی‌های یادگیری ماشینی را که به طور خاص برای فضای کاری متخصص ML طراحی شده است، بررسی می‌کند.

فصل ۳، استفاده از فروشگاه ویژگی، شما را با مفهوم فروشگاه ویژگی آشنا می‌کند. ما شما را از طریق فرآیند ایجاد جداول ویژگی‌ها با استفاده از فروشگاه ویژگی آفلاین Databricks راهنمایی می‌کنیم و استفاده مؤثر از آن‌ها را نشان می‌دهیم. علاوه بر این، مزایای استفاده از یک فروشگاه ویژگی در جریان کار یادگیری ماشین شما را مورد بحث قرار خواهیم داد.

فصل ۴، درک اجزای MLflow در Databricks، به شما کمک می‌کند تا بفهمید MLflow چیست، اجزای آن و مزایای استفاده از آن‌ها. همچنین نحوه ثبت مدل در رجیستری مدل MLflow را توضیح خواهیم داد.

فصل ۵، ایجاد یک مدل پایه با استفاده از Databricks AutoML، به چیستی AutoML، چرایی اهمیت آن و رویکرد Databricks به AutoML می‌پردازد. ما همچنین یک مدل پایه با AutoML ایجاد خواهیم کرد.

فصل ۶، مدل‌سازی و Webhooks، به شما می‌آموزد که چگونه از رجیستری مدل MLflow برای مدیریت نسخه‌سازی مدل، انتقال به PROD از مراحل مختلف و استفاده از وبک‌هوک‌ها برای تنظیم هشدار‌ها و نظارت استفاده کنید.

فصل ۷ کتاب Practical Machine Learning on Databricks، رویکرد‌های استقرار مدل، گزینه‌های مختلف برای استقرار یک مدل ML با استفاده از پلت فرم Databricks را پوشش می‌دهد.

فصل ۸، خودکارسازی گردش‌های کاری ML با استفاده از Databricks Jobs، توضیح می‌دهد که وظایف Databricks چیست و چگونه می‌توان از آن‌ها به عنوان ابزار قدرتمندی برای خودکارسازی گردش‌های کاری ML استفاده کرد. ما به نحوه تنظیم گردش کار آموزش ML با استفاده از Jobs API خواهیم پرداخت.

فصل ۹، شناسایی و آموزش مجدد مدل دریفت، به شما می‌آموزد که چگونه رانش مدل را در محیط‌های تولیدی شناسایی و از آن محافظت کنید.

فصل ۱۰، استفاده از CI/CD برای خودکارسازی بازآموزی و استقرار مجدد مدل، نحوه راه‌اندازی توسعه و استقرار Databricks ML خود را به عنوان خط لوله CI/CD نشان می‌دهد. ما از تمام مفاهیمی که قبلاً در این کتاب آموخته‌ایم استفاده خواهیم کرد.

سرفصل‌های کتاب Practical Machine Learning on Databricks:

• Contributors
• Preface
• Part 1: Introduction
• Chapter 1: The ML Process and Its Challenges
• Chapter 2: Overview of ML on Databricks
• Part 2: ML Pipeline Components and Implementation
• Chapter 3: Utilizing the Feature Store
• Chapter 4: Understanding MLflow Components on Databricks
• Chapter 5: Create a Baseline Model Using Databricks AutoML
• Part 3: ML Governance and Deployment
• Chapter 6: Model Versioning and Webhooks
• Chapter 7: Model Deployment Approaches
• Chapter 8: Automating ML Workflows Using Databricks Jobs
• Chapter 9: Model Drift Detection and Retraining
• Chapter 10: Using CI/CD to Automate Model Retraining and Redeployment
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Practical Machine Learning on Databricks می‌توانید پس از پرداخت، دریافت کنید.