سیستمهای یادگیری ماشین هم پیچیده و هم منحصربهفرد هستند. پیچیده از این جهت که از اجزای مختلف زیادی تشکیل شدهاند و ذینفعان متعددی را در بر میگیرند. منحصربهفرد هستند زیرا وابسته به داده میباشند و دادهها از یک مورد استفاده به مورد دیگر به شدت تغییر میکنند. در این کتاب، شما یک رویکرد جامع برای طراحی سیستمهای یادگیری ماشین خواهید آموخت که قابل اعتماد (Reliable)، مقیاسپذیر (Scalable)، قابل نگهداری (Maintainable) و تطبیقپذیر (Adaptive) با تغییرات محیط و الزامات کسبوکار باشند. نویسنده کتاب، چیپ هوین (Chip Huyen)، همبنیانگذار Claypot AI، هر تصمیم طراحی—مانند نحوه پردازش و ایجاد دادههای آموزشی، ویژگیهای مورد استفاده، فواصل زمانی بازآموزی مدلها و موارد قابل پایش—را در چارچوب چگونگی دستیابی سیستم به اهداف کلی خود بررسی میکند. چارچوب تکرارپذیر این کتاب از مطالعههای موردی واقعی همراه با منابع متعدد استفاده میکند. این کتاب به شما کمک میکند تا سناریوهایی مانند موارد زیر را مدیریت کنید: مهندسی داده و انتخاب معیارهای مناسب برای حل یک مسئله کسبوکار خودکارسازی فرآیند توسعه، ارزیابی، استقرار (Deployment) و بهروزرسانی مداوم مدلها توسعه یک سیستم پایش (Monitoring System) برای شناسایی و رفع سریع مشکلاتی که مدلها در محیط عملیاتی با آن مواجه میشوند معماری یک پلتفرم یادگیری ماشین که در موارد استفاده گوناگون خدمترسانی کند توسعه سیستمهای یادگیری ماشین مسئولانه (Responsible ML)
اشتراکی
مروری بر ساختار و اطلاعات کلیدی کتاب
۲۷ اردیبهشت ۱۴۰۱
1 کتاب
11 فصل
386 صفحه
متوسط تا پیشرفته
سیستمهای یادگیری ماشین هم پیچیده و هم منحصربهفرد هستند.
پیچیده از این جهت که از اجزای مختلف زیادی تشکیل شدهاند و ذینفعان متعددی را در بر میگیرند.
منحصربهفرد هستند زیرا وابسته به داده میباشند و دادهها از یک مورد استفاده به مورد دیگر به شدت تغییر میکنند.
در این کتاب، شما یک رویکرد جامع برای طراحی سیستمهای یادگیری ماشین خواهید آموخت که قابل اعتماد (Reliable)، مقیاسپذیر (Scalable)، قابل نگهداری (Maintainable) و تطبیقپذیر (Adaptive) با تغییرات محیط و الزامات کسبوکار باشند.
نویسنده کتاب، چیپ هوین (Chip Huyen)، همبنیانگذار Claypot AI، هر تصمیم طراحی—مانند نحوه پردازش و ایجاد دادههای آموزشی، ویژگیهای مورد استفاده، فواصل زمانی بازآموزی مدلها و موارد قابل پایش—را در چارچوب چگونگی دستیابی سیستم به اهداف کلی خود بررسی میکند.
چارچوب تکرارپذیر این کتاب از مطالعههای موردی واقعی همراه با منابع متعدد استفاده میکند.
این کتاب به شما کمک میکند تا سناریوهایی مانند موارد زیر را مدیریت کنید:
با مرور این بخش، درک سریع و کلی از محتوای کتاب پیدا کنید.
ساخت سیستمهای یادگیری ماشین در سطح عملیاتی نیازمند ایجاد توازن میان وابستگیهای داده، الزامات زیرساختی و اهداف کسبوکار است.
این کتاب یک معماری سرتاسری را ارائه میدهد که مهندسی داده، آموزش مدل، استقرار (Deployment) و پایش مداوم را پوشش میدهد.
چارچوب ساختاریافته کتاب تضمین میکند که مدلهای یادگیری ماشین در محیطهای واقعی قابل اعتماد (Reliable)، مقیاسپذیر (Scalable) و قابل نگهداری (Maintainable) باقی بمانند.
حوزههای کلیدی تمرکز معماری عبارتند از:
استقرار مدلها در محیط عملیاتی تنها آغاز مسیر است، چرا که دادههای دنیای واقعی دائماً تغییر کرده و افت دقت مدل را به همراه دارند.
این اثر به بررسی نحوه شناسایی و مدیریت تغییرات توزیع داده (Data Distribution Shifts) مانند تغییر کوواریات و جابهجایی مفهوم میپردازد.
کتاب راهکارهای عملی برای پایش معیارهای عملکرد، مشاهدهپذیری رفتار سیستم و اجرای بازآموزی خودکار ارائه میدهد.
اقدامات اساسی بررسیشده عبارتند از:
نویسندگانی که در پشت محتوای این کتاب قرار دارند، از برجستهترین متخصصان و پیشگامان حوزه خود به شمار میروند. آثار آنها حاصل سالها تجربه عملی، پژوهش عمیق و همکاری با بزرگترین سازمانها و شرکتهای فناوری جهان است. هر یک از این نویسندگان با انتشار کتابها و مقالات تخصصی، نقش مهمی در شکلگیری و پیشرفت دانش فنی جامعه جهانی ایفا کردهاند.
تجربه کاربران از این کتاب - نظرات خریداران و دیگر کاربران
11 فصل در حال تولید
مدت زمان خوانش
12:25
نوع کتاب
اشتراکی
شرکت کنندگان
0 نفر
تولید کتاب
۳۱ شهریور ۱۴۰۵
