کتاب The Machine Learning Solutions Architect Handbook, 2nd Edition: Practical strategies and best practices on the ML lifecycle, system design, MLOps, and generative AI (کتاب راهنمای معمار راه حل‌های یادگیری ماشین، ویرایش دوم: استراتژی‌های عملی و بهترین شیوه‌ها در چرخه حیات ML، طراحی سیستم، MLOps و هوش مصنوعی مولد)، برای درک جامعی از AI/ML در تمام جنبه‌های کلیدی، از جمله موارد استفاده تجاری، علم داده، معماری راه‌حل‌های دنیای واقعی، مدیریت ریسک، و حاکمیت مفاهیم مفیدی را در اختیار شما قرار خواهد داد.
شما مهارت‌هایی برای طراحی و ساخت راه‌حل‌های ML خواهید داشت که به طور مؤثر موارد استفاده رایج را برآورده می‌کند و از الگو‌های معماری تثبیت‌شده ML پیروی می‌کند و شما را قادر می‌سازد به عنوان یک حرفه‌ای واقعی در این زمینه برتر شوید.
در ادامه مقدمه‌ای از کتاب The Machine Learning Solutions Architect Handbook را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب The Machine Learning Solutions Architect Handbook:
از آنجایی که هوش مصنوعی (AI) همچنان در صنایع مختلف جذب می‌شود، نیاز به معماران راه حل‌های یادگیری ماشین (ML) ماهر در حال افزایش است. این متخصصان نقشی محوری در ایجاد پلتفرم‌های فناوری ML دارند که هم چالش‌های تجاری و هم فنی را برطرف می‌کنند.
کتاب The Machine Learning Solutions Architect Handbook برای تجهیز افراد به درک جامعی از موارد استفاده تجاری، الگوریتم‌های ML، الگو‌های معماری سیستم، ابزار‌های ML، مدیریت ریسک هوش مصنوعی، استراتژی‌های پذیرش هوش مصنوعی سازمانی، و زمینه نوظهور هوش مصنوعی مولد طراحی شده است.
پس از تکمیل کتاب The Machine Learning Solutions Architect Handbook، شما درک جامعی از AI/ML و موضوعات هوش مصنوعی مولد، شامل موارد استفاده تجاری، اصول علمی، زیربنای فن‌آوری، ملاحظات معماری، مدیریت ریسک، جنبه‌های عملیاتی، و سفر به سمت پذیرش سازمانی خواهید داشت.
علاوه بر این، با مجموعه متنوعی از فن‌آوری‌های منبع باز و AWS، مهارت فنی عملی را به دست خواهید آورد، که به شما این امکان را می‌دهد تا به طور مؤثر AI/ML و راه‌حل‌های هوش مصنوعی مولد را بسازید و به کار بگیرید.
این دانش جامع و مجموعه مهارت‌های عملی شما را قادر می‌سازد تا چالش‌ها و فرصت‌های چند وجهی ارائه شده توسط این فناوری‌های مخرب را بیان کرده و به آن‌ها رسیدگی کنید.
کتاب The Machine Learning Solutions Architect Handbook برای چه کسی است:
این کتاب برای دو مخاطب اصلی طراحی شده است: توسعه‌دهندگان و معماران ابری که به دنبال راهنمایی و مواد یادگیری عملی برای تبدیل شدن به معماران راه حل‌های ML هستند، و متخصصان باتجربه معماری ML و دانشمندان داده که به دنبال توسعه درک گسترده‌تری از کاربرد ML در صنعت هستند.
موارد، داده‌های سازمانی و الگو‌های معماری ML، مدیریت داده‌ها و ابزار‌های ML، حاکمیت ML، و تکنیک‌های پیشرفته مهندسی ML.
کتاب The Machine Learning Solutions Architect Handbook همچنین می‌تواند برای مهندسان داده و مدیران سیستم ابری مفید باشد که به دنبال درک چگونگی مدیریت داده و معماری سیستم ابری با معماری کلی پلت فرم ML هستند.
متخصصان ریسک، مدیران محصولات هوش مصنوعی و تصمیم‌گیرندگان فناوری نیز از موضوعاتی در مورد مدیریت ریسک هوش مصنوعی، موارد استفاده از هوش مصنوعی تجاری، و سفر بلوغ ML و بهترین شیوه‌ها بهره خواهند برد.
کتاب The Machine Learning Solutions Architect Handbook فرض می‌کند که شما مقداری دانش برنامه‌نویسی پایتون دارید و با خدمات AWS آشنا هستید. برخی از فصول برای مبتدیان ML طراحی شده‌اند تا اصول اصلی ML را بیاموزند و ممکن است با دانشی که قبلاً توسط پزشکان باتجربه ML دارند همپوشانی داشته باشند.
آنچه کتاب The Machine Learning Solutions Architect Handbook پوشش می‌دهد:
فصل ۱، پیمایش در چرخه حیات ML با معماری راه حل‌های ML، توابع معماری راه حل‌های ML را معرفی می‌کند و مبانی و دامنه آن را پوشش می‌دهد.
فصل ۲، بررسی موارد استفاده تجاری ML، در مورد کاربرد‌های دنیای واقعی AI/ML در صنایع مختلف مانند خدمات مالی، مراقبت‌های بهداشتی، سرگرمی‌های رسانه‌ای، خودروسازی، تولید و خرده فروشی صحبت می‌کند.
فصل ۳، کاوش الگوریتم‌های ML، الگوریتم‌های رایج ML و یادگیری عمیق را برای طبقه‌بندی، رگرسیون، خوشه‌بندی، سری‌های زمانی، توصیه‌ها، بینایی کامپیوتر، پردازش زبان طبیعی، و وظایف هوش مصنوعی مولد معرفی می‌کند. شما تجربه عملی از راه‌اندازی سرور Jupyter و ساخت مدل‌های ML بر روی دستگاه محلی خود خواهید داشت.
فصل ۴ کتاب The Machine Learning Solutions Architect Handbook، مدیریت داده برای ML، به موضوع حیاتی مدیریت داده برای ML می‌پردازد و جزئیات نحوه استفاده از مجموعه‌ای از خدمات AWS برای ایجاد معماری‌های مدیریت داده قوی را شرح می‌دهد. شما مهارت‌های عملی را با خدمات AWS برای ایجاد خطوط لوله مدیریت داده برای ML توسعه خواهید داد.
فصل ۵، کاوش کتابخانه‌های ML منبع باز، ویژگی‌های اصلی scikit-learn، Spark ML، PyTorch و TensorFlow و نحوه استفاده از این کتابخانه‌های ML را برای آماده‌سازی داده، آموزش مدل، و ارائه مدل پوشش می‌دهد. شما ساختن مدل‌های یادگیری عمیق را با استفاده از TensorFlow و PyTorch تمرین خواهید کرد.
فصل ۶، مدیریت زیرساخت ارکستراسیون کانتینر Kubernetes، کانتینر‌ها، مفاهیم Kubernetes، شبکه Kubernetes و امنیت Kubernetes را معرفی می‌کند. Kubernetes یک زیرساخت منبع باز اصلی برای ساخت راه حل‌های متن باز ML است. همچنین راه‌اندازی پلتفرم Kubernetes در AWS EKS و استقرار حجم کاری ML در Kubernetes را تمرین خواهید کرد.
فصل ۷، پلتفرم‌های منبع باز ML، در مورد مفاهیم اصلی و جزئیات فنی فناوری‌های مختلف پلتفرم ML منبع باز، مانند Kubeflow، MLflow، AirFlow و Seldon Core صحبت می‌کند. این فصل از کتاب The Machine Learning Solutions Architect Handbook، همچنین نحوه استفاده از این فناوری‌ها را برای ایجاد یک محیط علم داده و خط لوله اتوماسیون ML پوشش می‌دهد.
فصل ۸، ساختن محیط علم داده با استفاده از خدمات AWS ML، خدمات مدیریت شده AWS مختلفی را برای ساخت محیط‌های علم داده، از جمله Amazon SageMaker، Amazon ECR و Amazon CodeCommit معرفی می‌کند. همچنین برای پیکربندی محیط علم داده برای آزمایش و آموزش مدل، تجربه عملی با این خدمات خواهید داشت.
فصل ۹، طراحی یک معماری ML سازمانی با خدمات AWS ML، در مورد الزامات اصلی برای یک پلت فرم ML سازمانی صحبت می‌کند، الگو‌های معماری و بهترین شیوه‌ها برای ساختن یک پلت فرم ML سازمانی بر روی AWS را مورد بحث قرار می‌دهد، و به عمق قابلیت‌های مختلف ML اصلی می‌پردازد. SageMaker و سایر خدمات AWS.
فصل ۱۰ کتاب The Machine Learning Solutions Architect Handbook، مهندسی پیشرفته ML، بینش‌هایی را در مورد جنبه‌های مهندسی پیشرفته ML مانند آموزش مدل توزیع شده و ارائه مدل با تأخیر کم ارائه می‌دهد که برای برآورده کردن نیاز‌های آموزش مدل در مقیاس بزرگ و الزامات خدمات با عملکرد بالا بسیار مهم است. همچنین با استفاده از کلاستر آموزشی SageMaker، آموزش مدل موازی داده‌های توزیع شده را دریافت خواهید کرد.
فصل ۱۱، ساخت راه‌حل‌های ML با خدمات AWS AI، خدمات AWS AI و انواع مشکلاتی را که این سرویس‌ها می‌توانند بدون ساخت مدل ML از ابتدا به حل آن کمک کنند، معرفی می‌کند. شما در مورد قابلیت‌های اصلی برخی از خدمات کلیدی هوش مصنوعی و اینکه کجا می‌توان از آن‌ها برای ساخت برنامه‌های تجاری مبتنی بر ML استفاده کرد، یاد خواهید گرفت.
فصل ۱۲ کتاب The Machine Learning Solutions Architect Handbook، مدیریت ریسک هوش مصنوعی، اصول، چارچوب‌ها، و ریسک و کاهش ریسک هوش مصنوعی را بررسی می‌کند و پوشش جامعی از سناریو‌های ریسک هوش مصنوعی، اصول راهنما، چارچوب‌ها و ملاحظات کاهش ریسک در کل چرخه عمر ML ارائه می‌کند. این توضیح می‌دهد که چگونه پلتفرم‌های ML می‌توانند حکمرانی را از طریق مستندسازی، نگهداری موجودی مدل، و فرآیند‌های نظارت تسهیل کنند.
فصل ۱۳، تعصب، توضیح‌پذیری، حریم خصوصی و حملات خصمانه، به جنبه‌های فنی ریسک‌های مختلف می‌پردازد، توضیحاتی عمیق در مورد تکنیک‌های تشخیص سوگیری، روش‌های توضیح‌پذیری مدل، رویکرد‌های حفظ حریم خصوصی، و همچنین سناریو‌های حمله خصمانه و استراتژی‌های کاهش مربوطه ارائه می‌کند.
فصل ۱۴، ترسیم مسیر سفر ML شما، مراحل پذیرش را تشریح می‌کند و یک مدل بلوغ مربوطه را ارائه می‌دهد که برای تسهیل پیشرفت در طول سفر ML طراحی شده است. علاوه بر این، ملاحظات کلیدی ضروری برای غلبه بر موانعی که در طول این فرآیند با آن مواجه می‌شوند را مورد توجه قرار می‌دهد.
فصل ۱۵، پیمایش چرخه عمر پروژه هوش مصنوعی مولد، پیشرفت و تأثیر اقتصادی هوش مصنوعی مولد، روند‌های مختلف صنعت در پذیرش هوش مصنوعی مولد را مورد بحث قرار می‌دهد و خوانندگان را در مراحل مختلف یک پروژه هوش مصنوعی مولد، از‌ایده پردازی تا استقرار، کاوش انواع مولد‌ها راهنمایی می‌کند. فناوری‌های هوش مصنوعی و محدودیت‌ها و چالش‌ها در این راه.
فصل ۱۶، طراحی پلتفرم‌ها و راه‌حل‌های هوش مصنوعی مولد، معماری پلتفرم‌های هوش مصنوعی مولد، معماری برنامه‌های کاربردی نسل افزوده بازیابی (RAG) و بهترین شیوه‌ها، ملاحظات مربوط به استقرار تولید AI مولد و برنامه‌های کاربردی تجاری مبتنی بر هوش مصنوعی مولد را در موارد مختلف صنعتی مورد بررسی قرار می‌دهد.
این فصل از کتاب The Machine Learning Solutions Architect Handbook، با بحث در مورد هوش عمومی مصنوعی (AGI) و رویکرد‌های نظری مختلفی که جامعه پژوهشی برای پیگیری AGI اتخاذ کرده‌اند، به پایان می‌رسد.
سرفصل‌های کتاب The Machine Learning Solutions Architect Handbook:
- Preface
- Navigating the ML Lifecycle with ML Solutions Architecture
- Exploring ML Business Use Cases
- Exploring ML AIgorithms
- Data Management for ML
- Exploring Open-Source ML Libraries
- Kubernetes Container Orchestration Infrastructure Management
- Open-Source ML Platforms
- Building a Data Science Environment Using AWS ML Services
- Designing an Enterprise ML Architecture with AWS ML Services
- Advanced ML Engineering
- Building ML Solutions with AWS AI Services
- AI Risk Management
- Bias, Explainability, Privacy, and Adversarial Attacks
- Charting the Course of Your ML Journey
- Navigating the Generative AI Project Lifecycle
- Designing Generative AI Platforms and Solutions
- Other Books You May Enjoy
- Index
جهت دانلود کتاب The Machine Learning Solutions Architect Handbook می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.