دانلود کتاب The Machine Learning Solutions Architect Handbook: Create machine learning platforms to run solutions in an enterprise setting (به فارسی: کتاب راهنمای معمار راه حل های یادگیری ماشین: ایجاد پلتفرم های یادگیری ماشین برای اجرای راه حل ها در یک محیط سازمانی) نوشته شده توسط «David Ping»
اطلاعات کتاب کتاب راهنمای معمار راه حل های یادگیری ماشین: ایجاد پلتفرم های یادگیری ماشین برای اجرای راه حل ها در یک محیط سازمانی
موضوع اصلی: کامپیوتر – هوش مصنوعی (AI)
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: David Ping
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2022
تعداد صفحه: 440
حجم فایل: 14.49 مگابایت
کد کتاب: 1801072167 , 9781801072168
توضیحات کتاب کتاب راهنمای معمار راه حل های یادگیری ماشین: ایجاد پلتفرم های یادگیری ماشین برای اجرای راه حل ها در یک محیط سازمانی
ساخت پلتفرم‌های یادگیری ماشینی بسیار ایمن و مقیاس‌پذیر برای پشتیبانی از پذیرش سریع راه‌حل‌های یادگیری ماشین
ویژگی‌های کلیدی
- کاوش در ابزارها و چارچوب‌های مختلف ML برای حل چالش‌های یادگیری ماشینی در مقیاس بزرگ در فضای ابری
- ایجاد یک محیط کارآمد علم داده برای کاوش داده‌ها، ساخت مدل و آموزش مدل
- یادگیری نحوه پیاده‌سازی تشخیص سوگیری، حریم خصوصی، و توضیح‌پذیری در توسعه مدل ML
توضیح کتاب
با یک پلتفرم یادگیری ماشینی (ML) بسیار مقیاس‌پذیر، سازمان‌ها می‌توانند به سرعت تحویل محصولات ML را برای تحقق سریع‌تر ارزش کسب‌وکار مقیاس‌بندی کنند، بنابراین ارزش بسیار زیادی وجود دارد. تقاضا برای معماران ماهر راه حل های ML در صنایع مختلف. این کتاب عملی ML شما را از طریق الگوهای طراحی، ملاحظات معماری و آخرین فناوری‌هایی که برای تبدیل شدن به یک معمار موفق راه‌حل‌های ML باید بدانید، راهنمایی می‌کند.
شما با درک اصول ML و چگونگی شروع به کار خواهید کرد. ML را می توان برای مشکلات تجاری دنیای واقعی اعمال کرد. هنگامی که برخی از الگوریتم های پیشرو ML را برای حل انواع مختلف مسائل بررسی کردید، این کتاب به شما کمک می کند تا با مدیریت داده ها و استفاده از کتابخانه های ML مانند TensorFlow و PyTorch آشنا شوید. شما یاد خواهید گرفت که چگونه از فناوری منبع باز مانند Kubernetes/Kubeflow برای ایجاد یک محیط علم داده و خطوط لوله ML استفاده کنید و سپس با استفاده از خدمات وب سرویس های آمازون (AWS) به ساخت معماری ML سازمانی بپردازید. سپس ملاحظات امنیتی و حاکمیتی، تکنیک های پیشرفته مهندسی ML و نحوه اعمال تشخیص سوگیری، توضیح پذیری و حریم خصوصی در توسعه مدل ML را پوشش خواهید داد. در نهایت، با سرویس‌های هوش مصنوعی AWS و کاربردهای آن‌ها در موارد استفاده در دنیای واقعی آشنا می‌شوید.
در پایان این کتاب، می‌توانید یک پلتفرم ML برای پشتیبانی مشترک طراحی و بسازید. از موارد و الگوهای معماری استفاده کنید.
آنچه یاد خواهید گرفت
- استفاده از متدولوژی های ML برای حل مشکلات تجاری
- طراحی یک معماری کاربردی پلت فرم ML سازمانی
- اجرای MLOps برای اتوماسیون گردش کار ML
- با استفاده از AWS یک معماری مدیریت داده سرتاسر بسازید
- آموزش مدل های ML در مقیاس بزرگ و بهینه سازی تاخیر استنتاج مدل
- ایجاد یک برنامه تجاری با استفاده از یک سرویس هوش مصنوعی و یک مدل سفارشی ML
- از خدمات AWS برای شناسایی داده ها و سوگیری مدل و توضیح مدل ها استفاده کنید
این کتاب برای چه کسانی است
این کتاب برای دانشمندان داده، مهندسان داده، معماران ابر، و علاقه مندان به یادگیری ماشینی که می خواهند معمار راه حل های یادگیری ماشین شوند. دانش اولیه زبان برنامه نویسی پایتون، AWS، جبر خطی، احتمالات و مفاهیم شبکه فرض شده است.
فهرست محتوا
- معماری راه حل های یادگیری ماشین و یادگیری ماشین
- استفاده تجاری مواردی برای یادگیری ماشین
- الگوریتم های یادگیری ماشین
- مدیریت داده ها برای یادگیری ماشین
- کتابخانه های یادگیری ماشین منبع باز
- مدیریت زیرساخت ارکستراسیون کانتینر Kubernetes
- پلتفرم های یادگیری ماشین متن باز
- ایجاد محیط علم داده با استفاده از خدمات AWS ML
- ساخت معماری ML سازمانی با خدمات AWS ML
- مهندسی پیشرفته ML
- حاکمیت ML، تعصب، توضیح پذیری و حریم خصوصی
- ساخت راه حل های ML با خدمات AWS AI
Build highly secure and scalable machine learning platforms to support the fast-paced adoption of machine learning solutions
Key Features
- Explore different ML tools and frameworks to solve large-scale machine learning challenges in the cloud
- Build an efficient data science environment for data exploration, model building, and model training
- Learn how to implement bias detection, privacy, and explainability in ML model development
Book Description
With a highly scalable machine learning (ML) platform, organizations can quickly scale the delivery of ML products for faster business value realization, so there is a huge demand for skilled ML solutions architects in different industries. This hands-on ML book takes you through the design patterns, architectural considerations, and the latest technology that you need to know to become a successful ML solutions architect.
You’ll start by understanding ML fundamentals and how ML can be applied to real-world business problems. Once you’ve explored some of the leading ML algorithms for solving different types of problems, the book will help you get to grips with data management and using ML libraries such as TensorFlow and PyTorch. You’ll learn how to use open source technology such as Kubernetes/Kubeflow to build a data science environment and ML pipelines and then advance to building an enterprise ML architecture using Amazon Web Services (AWS) services. You’ll then cover security and governance considerations, advanced ML engineering techniques, and how to apply bias detection, explainability, and privacy in ML model development. Finally, you’ll get acquainted with AWS AI services and their applications in real-world use cases.
By the end of this book, you’ll be able to design and build an ML platform to support common use cases and architecture patterns.
What you will learn
- Apply ML methodologies to solve business problems
- Design a practical enterprise ML platform architecture
- Implement MLOps for ML workflow automation
- Build an end-to-end data management architecture using AWS
- Train large-scale ML models and optimize model inference latency
- Create a business application using an AI service and a custom ML model
- Use AWS services to detect data and model bias and explain models
Who this book is for
This book is for data scientists, data engineers, cloud architects, and machine learning enthusiasts who want to become machine learning solutions architects. Basic knowledge of the Python programming language, AWS, linear algebra, probability, and networking concepts is assumed.
Table of Contents
- Machine Learning and Machine Learning Solutions Architecture
- Business Use Cases for Machine Learning
- Machine Learning Algorithms
- Data Management for Machine Learning
- Open Source Machine Learning Libraries
- Kubernetes Container Orchestration Infrastructure Management
- Open Source Machine Learning Platforms
- Building a Data Science Environment Using AWS ML Services
- Building an Enterprise ML Architecture with AWS ML Services
- Advanced ML Engineering
- ML Governance, Bias, Explainability, and Privacy
- Building ML Solutions with AWS AI Services
