محتوای کتاب
معرفی کتاب Machine Learning Design Patterns
Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps
برخلاف بسیاری از کتابهای مقدماتی یادگیری ماشین که بیشتر روی الگوریتمها، مفاهیم ریاضی یا پیادهسازی مدلها تمرکز دارند، این کتاب به سراغ پرسش مهمتری میرود:
”چگونه میتوان مدلهای یادگیری ماشین را بهصورت اصولی، پایدار، قابلتکرار، مقیاسپذیر و قابلاعتماد در محیط واقعی ساخت و اجرا کرد؟“
درباره کتاب Machine Learning Design Patterns
در این کتاب با الگوهایی برای موضوعات زیر آشنا میشوید:
- نمایش دادهها در مدلهای یادگیری ماشین
- نمایش صحیح مسئله برای مدلسازی
- آموزش مدل و بهینهسازی فرایند یادگیری
- عملیاتیسازی و استقرار مدلها
- تکرارپذیری و بازتولیدپذیری نتایج
- انعطافپذیری سیستمهای ML
- توضیحپذیری مدلها
- انصاف و هوش مصنوعی مسئولانه
در کتاب Machine Learning Design Patterns چه میآموزید؟
- شناسایی و کاهش چالشهای رایج هنگام آموزش، ارزیابی و استقرار مدلهای یادگیری ماشین
- نمایش دادهها برای انواع مختلف مدلهای ML، از جمله embeddingها، feature crossها و سایر روشهای مهندسی ویژگی
- انتخاب نوع مناسب مدل برای مسائل مختلف
- طراحی یک چرخه آموزش قدرتمند با استفاده از checkpoint، strategy distribution و تنظیم ابرپارامترها
- ساخت سیستمهای یادگیری ماشین مقیاسپذیر که امکان بازآموزی و بهروزرسانی با دادههای جدید را دارند
- تفسیر خروجی مدلها برای ذینفعان و تصمیمگیرندگان
- اطمینان از رفتار منصفانه مدلها با کاربران مختلف
- طراحی سیستمهای ML قابلاعتماد برای استفاده در محیطهای سازمانی و عملیاتی
کتاب Machine Learning Design Patterns برای چه کسانی مناسب است؟
این کتاب برای گروههای زیر بسیار مناسب است:
- دانشمندان داده یا Data Scientistها
- مهندسان داده یا Data Engineerها
- مهندسان یادگیری ماشین یا ML Engineerها
- توسعهدهندگانی که میخواهند وارد حوزه ML Engineering شوند
- دانشجویان علوم کامپیوتر که قصد ورود به صنعت دارند
- متخصصانی که به دنبال یادگیری عملیتر درباره چرخه عمر یادگیری ماشین هستند
- تیمهایی که روی طراحی، آموزش، استقرار و نگهداری مدلهای ML کار میکنند
تفاوت کتاب Machine Learning Design Patterns با کتابهای مقدماتی یادگیری ماشین
” اما این کتاب بیشتر روی «چرایی» تمرکز دارد. “
چه موضوعاتی در کتاب Machine Learning Design Patterns پوشش داده نمیشود؟
به همین دلیل، نویسندگان عمداً وارد برخی موضوعات پژوهشی یا مقدماتی نشدهاند؛ از جمله:
- مقایسه دقیق الگوریتمهای یادگیری ماشین مانند Random Forest و Neural Network
- بررسی انواع بهینهسازهای گرادیان نزولی یا توابع فعالسازی
- طراحی معماریهای جدید برای مدلهای طبقهبندی تصویر یا متن
- توضیح مفصل درباره شبکههای عصبی کانولوشنی یا بازگشتی
- ساخت حلقههای آموزشی کاملاً سفارشی از پایه
رویکرد عملی کتاب Machine Learning Design Patterns
این کتاب نیز چنین نگاهی به یادگیری ماشین دارد. هدف آن آموزش طراحی مدل از صفر یا ورود به مباحث پژوهشی پیچیده نیست؛ بلکه میخواهد به متخصصان کمک کند تا از ابزارها، مدلها و الگوهای موجود به بهترین شکل در پروژههای واقعی استفاده کنند.
فهرست مطالب کتاب Machine Learning Design Patterns
کتاب الگوهای طراحی یادگیری ماشین شامل فصلهای زیر است:
- نیاز به الگوهای طراحی در یادگیری ماشین
- الگوهای طراحی برای نمایش داده
- الگوهای طراحی برای نمایش مسئله
- الگوهای آموزش مدل
- الگوهای طراحی برای سرویسدهی مقاوم
- الگوهای طراحی برای بازتولیدپذیری
- هوش مصنوعی مسئولانه
- الگوهای بههمپیوسته
این ساختار به خواننده کمک میکند تا با نگاه مرحلهبهمرحله، از تعریف مسئله و آمادهسازی داده تا آموزش، استقرار، نگهداری و مسئولیتپذیری در سیستمهای یادگیری ماشین پیش برود.
درباره نویسندگان کتاب Machine Learning Design Patterns
Valliappa Lakshmanan
والیآپا لاکشمنان (Valliappa Lakshmanan) که با نام Lak نیز شناخته میشود، رئیس جهانی راهکارهای تحلیل داده و هوش مصنوعی در Google Cloud است. تیم او با استفاده از محصولات تحلیل داده و یادگیری ماشین گوگل کلاد، راهکارهای نرمافزاری برای مسائل کسبوکار طراحی میکند. او همچنین بنیانگذار برنامه ML Immersion در Google’s Advanced Solutions Lab است. پیش از پیوستن به گوگل، لاکشمنان مدیر علم داده در Climate Corporation و دانشمند پژوهشی در NOAA بوده است.
Sara Robinson
سارا رابینسون (Sara Robinson) در تیم Google Cloud Platform بهعنوان Developer Advocate فعالیت میکند و تمرکز اصلی او بر یادگیری ماشین است. او از طریق دموها، محتوای آموزشی آنلاین و رویدادهای تخصصی، به توسعهدهندگان و دانشمندان داده کمک میکند یادگیری ماشین را وارد برنامهها و محصولات خود کنند. سارا دارای مدرک کارشناسی از دانشگاه Brandeis است و پیش از فعالیت در Google Cloud، در تیم Firebase نیز بهعنوان Developer Advocate کار کرده است.
Michael Munn
مایکل مان (Michael Munn) مهندس راهکارهای یادگیری ماشین در گوگل است و با مشتریان Google Cloud همکاری میکند تا آنها را در طراحی، پیادهسازی و استقرار مدلهای یادگیری ماشین همراهی کند. او همچنین در Advanced Solutions Lab برنامه ML Immersion را تدریس میکند. مایکل دارای دکترای ریاضیات از City University of New York است و پیش از پیوستن به گوگل، بهعنوان استاد پژوهشی فعالیت داشته است.
توی آمریکا چقدر دنبال این کتاب میگشتم و اینجا پیداش کردم 😂😂
بنازم به این سایت عالی
ایرانی ها همه جا هستند
درود و وقت بخیر
نیما جان خوشحالم که سایت ما رو پیدا کردید و مشکلتون حل شد؛ موفق باشید
ارادت