سیستم‌های تولید یادگیری ماشین

استفاده از یادگیری ماشین (Machine Learning) برای محصولات، خدمات و فرآیندهای حیاتی کسب‌وکار، تفاوت‌های قابل‌توجهی با محیط‌های آکادمیک یا تحقیقاتی دارد. این کتاب کاربردی، دیدگاهی جامع از کل حوزه مهندسی یادگیری ماشین ارائه می‌دهد و برای کسانی که به دنبال انتقال از محیط تحقیق به فضای تجاری هستند، بسیار مفید است. نویسندگان به شما کمک می‌کنند تا موضوعات کلیدی را شناسایی کرده و با استفاده از منابع مرجع و آموزش‌ها، به عمق مفاهیم نفوذ کنید. شما با وضعیت فعلی مهندسی یادگیری ماشین (Machine Learning Engineering)، از جمله مدل‌سازی، دیپلوی (Deployment) و عملیات یادگیری ماشین (MLOps) آشنا خواهید شد. این کتاب چهار بخش عمیق را پوشش می‌دهد: - داده (Data): جمع‌آوری، برچسب‌گذاری، اعتبارسنجی، اتوماسیون، پیش‌پردازش، مهندسی ویژگی و ذخیره‌سازی. - مدل‌سازی (Modeling): مدل‌سازی با کارایی بالا، مدیریت منابع، تحلیل مدل، تعامل‌پذیری و جستجوی معماری عصبی. - دیپلوی (Deployment): الگوهای سرویس‌دهی مدل، زیرساخت برای مدل‌های ML و LLM، مدیریت، تحویل، مانیتورینگ و لاگ‌گیری. - تولیدی‌سازی (Productionalizing): پایپ‌لاین‌های ML، طبقه‌بندی متون و تصاویر غیرساختاریافته و پایپ‌لاین‌های مدل‌های هوش مصنوعی مولد (GenAI).