کتاب 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).
اشتراکی
مقدمه کتاب
پیش از شروع، نگاهی کوتاه به آنچه در این کتاب خواهید آموخت
در مقدمه کتاب سوالات کلی که برات به وجود اومده رو خیلی سریع با یک نگاه رفعشون کن تا دیدت بازتر شه و انتخابت آگاهانه تر باشه و میشه گفت سوالاتی مانند چرا این کتاب نوشته شده و چه مشکلی را حل میکند؟ چه کسانی میتوانند از کتاب استفاده کنند؟ خلاصه فصلها و اهداف یادگیری در هر بخش؟ تغییرات مهم و بهبودهای جدید اضافه شده در نسخه های مختلف و... باشه که ما همه این ها رو برات رفع میکنیم
مخاطب هدف
مهندسان یادگیری ماشین که قصد دارند مدلهای خود را از محیط تحقیق به محیط عملیاتی منتقل کنند. این کتاب برای کسانی که به دنبال درک چالشهای تولیدی هستند، عالی است.
فارغالتحصیلان جدید رشتههای مرتبط با هوش مصنوعی که میخواهند با استانداردهای صنعت و MLOps آشنا شوند. این کتاب به آنها دیدگاهی جامع از کل چرخه حیات میدهد.
توسعهدهندگان نرمافزار که در حال کار روی محصولات مبتنی بر ML هستند و نیاز به درک بهتر زیرساختها و پایپلاینهای داده دارند. این کتاب به آنها در ساخت سیستمهای مقیاسپذیر کمک میکند.
مدیران فنی و معماران سیستم که مسئولیت نظارت بر پروژههای یادگیری ماشین را بر عهده دارند. این کتاب به آنها در تصمیمگیریهای استراتژیک درباره ابزارها و فرآیندها کمک میکند.
دلیل نوشتن کتاب
این کتاب شکاف میان تحقیقات آکادمیک و پیادهسازیهای تجاری یادگیری ماشین را پر میکند. تمرکز آن بر نیازهای واقعی مهندسان برای ساخت سیستمهای پایدار است.
مباحث این کتاب به خوانندگان کمک میکند تا از نگهداری مدلهای پراکنده به سمت ایجاد پایپلاینهای استاندارد و خودکار حرکت کنند. این رویکرد باعث کاهش خطاها و افزایش تکرارپذیری نتایج میشود.
کتاب با ارائه جزئیات فنی در مورد ابزارهایی مانند TFX و زیرساختهای ابری، مهارتهای عملی لازم برای مدیریت مدلها در مقیاس بزرگ را آموزش میدهد. این دانش برای هر مهندس ML در محیط تولید ضروری است.
با ظهور هوش مصنوعی مولد، این کتاب راهنماییهای لازم برای مدیریت پایپلاینهای GenAI و چالشهای خاص آنها را ارائه میدهد. این موضوع برای همگام ماندن با فناوریهای روز حیاتی است.
نمای کلی محتوا
این کتاب یک راهنمای جامع و کاربردی برای هر کسی است که میخواهد یادگیری ماشین را به صورت حرفهای در محیطهای تجاری پیادهسازی کند. نویسندگان به خوبی تعادل میان تئوری و عمل را رعایت کردهاند.
پوشش گسترده موضوعات از جمعآوری داده تا استقرار مدل و نظارت، این کتاب را به یک مرجع ضروری برای مهندسان تبدیل کرده است. مطالب به صورت بسیار ساختاریافته و قابلفهم ارائه شدهاند.
تمرکز ویژه بر MLOps و استفاده از ابزارهای مدرن، این اثر را از سایر کتابهای مشابه متمایز میکند. مثالهای عملی ارائه شده در کتاب برای درک مفاهیم پیچیده بسیار مفید هستند.
این کتاب نه تنها اصول اولیه را آموزش میدهد، بلکه به چالشهای پیشرفتهای مانند هوش مصنوعی مولد و حریم خصوصی نیز میپردازد. این یک منبع ارزشمند برای همگام شدن با تغییرات سریع صنعت است.
23 فصل در حال تولید
مدت زمان خوانش
13:56
نوع کتاب
اشتراکی
شرکت کنندگان
0 نفر
تولید کتاب
۳۱ شهریور ۱۴۰۵