کتاب Machine Learning Infrastructure and Best Practices for Software Engineers

عناصر سیستم نرم‌افزاری یادگیری ماشین: اجزای اصلی یک سیستم یادگیری ماشین حرفه‌ای.

مدیریت داده‌ها

• داده در سیستم‌های نرم‌افزاری – متن، تصاویر، کد، ویژگی‌ها: درک انواع داده‌های مورد استفاده در یادگیری ماشین.

• جمع‌آوری داده، کیفیت داده و نویز: انتخاب منابع داده مناسب و بهبود کیفیت داده.

• کمی‌سازی و بهبود ویژگی‌های داده: تکنیک‌هایی برای ارزیابی و بهینه‌سازی داده‌ها.

• انواع داده در سیستم‌های یادگیری ماشین: بررسی داده‌های ساختاریافته، نیمه‌ساختاریافته و غیرساختاریافته.

مهندسی ویژگی و الگوریتم‌ها

• مهندسی ویژگی برای داده‌های عددی و تصویری: تکنیک‌های پردازش داده‌های عددی و تصاویر.

• مهندسی ویژگی برای داده‌های زبان طبیعی: پردازش متون برای وظایف NLP.

• انواع سیستم‌های یادگیری ماشین: مقایسه سیستم‌های مبتنی بر ویژگی و یادگیری عمیق.

• آموزش و ارزیابی سیستم‌های یادگیری ماشین کلاسیک و شبکه‌های عصبی: بهترین شیوه‌ها برای آموزش و تست مدل‌ها.

• آموزش و ارزیابی الگوریتم‌های پیشرفته: کار با یادگیری عمیق، اتواینکودرها و مدل‌های پیشرفته مانند GPT-3.

طراحی و مقیاس‌پذیری

• طراحی پایپ‌لاین‌های یادگیری ماشین (MLOps) و تست آن‌ها: ساخت پایپ‌لاین‌های مقیاس‌پذیر و تست آن‌ها.

• طراحی و پیاده‌سازی نرم‌افزارهای یادگیری ماشین مقیاس‌پذیر و مقاوم: مثال جامع از یک سیستم یادگیری ماشین در مقیاس بزرگ.

اخلاق و ملاحظات

• اخلاق در جمع‌آوری و مدیریت داده‌ها: شناسایی و کاهش ریسک‌های اخلاقی در سیستم‌های یادگیری ماشین.

این کتاب برای چه کسانی مناسب است؟

کتاب بهترین شیوه‌ها برای تبدیل پایپ‌لاین‌های یادگیری ماشین به نرم‌افزارهای حرفه‌ای برای افراد زیر مناسب است:

• مهندسان یادگیری ماشین: افرادی که می‌خواهند پایپ‌لاین‌های نمونه اولیه را به نرم‌افزارهای حرفه‌ای تبدیل کنند.

• مهندسان نرم‌افزار: توسعه‌دهندگانی که به دنبال ادغام یادگیری ماشین در پروژه‌های نرم‌افزاری هستند.

• تصمیم‌گیرندگان و مدیران محصول: افرادی که می‌خواهند معیارهای طراحی یک محصول یادگیری ماشین باکیفیت را درک کنند.

• علاقه‌مندان به MLOps و مقیاس‌پذیری: حرفه‌ای‌هایی که به دنبال یادگیری بهترین شیوه‌ها برای ساخت سیستم‌های مقیاس‌پذیر هستند.

چرا این کتاب مهم است؟

ایجاد یک پایپ‌لاین یادگیری ماشین یا نمونه اولیه آسان است، اما تبدیل آن به یک نرم‌افزار حرفه‌ای چالش‌های متعددی دارد، از جمله مقیاس‌پذیری، کیفیت داده و ملاحظات اخلاقی. این کتاب با ارائه بهترین شیوه‌ها و دستورالعمل‌های عملی، شما را برای غلبه بر این چالش‌ها و ساخت سیستم‌های یادگیری ماشین مقاوم، قابل اعتماد و نوآورانه آماده می‌کند. همچنین، با تمرکز بر اخلاق، به شما کمک می‌کند تا سیستم‌هایی طراحی کنید که نه‌تنها کارآمد باشند، بلکه از نظر اجتماعی نیز مسئولانه عمل کنند.

یادگیری عملی و پروژه‌محور

یکی از نقاط قوت این کتاب، رویکرد پروژه‌محور آن است. با ارائه یک مثال جامع از طراحی و پیاده‌سازی یک سیستم یادگیری ماشین در مقیاس بزرگ، این کتاب مفاهیم را در سناریوهای واقعی پیاده‌سازی می‌کند. مثال‌های عملی و دستورالعمل‌های گام‌به‌گام، یادگیری موضوعات پیچیده مانند مهندسی ویژگی، MLOps و مدیریت اخلاقی داده‌ها را آسان‌تر می‌کنند.

درباره نویسندگان

نویسندگان این کتاب، متخصصان برجسته در حوزه یادگیری ماشین و مهندسی نرم‌افزار هستند که تجربه گسترده‌ای در توسعه سیستم‌های یادگیری ماشین مقیاس‌پذیر دارند. آن‌ها با زبانی ساده و مثال‌های عملی، مفاهیم پیچیده را به شکلی قابل فهم ارائه کرده‌اند.

فهرست مطالب

• یادگیری ماشین در مقایسه با نرم‌افزار سنتی

• عناصر سیستم نرم‌افزاری یادگیری ماشین

• داده در سیستم‌های نرم‌افزاری – متن، تصاویر، کد، ویژگی‌ها

• جمع‌آوری داده، کیفیت داده و نویز

• کمی‌سازی و بهبود ویژگی‌های داده

• انواع داده در سیستم‌های یادگیری ماشین

• مهندسی ویژگی برای داده‌های عددی و تصویری

• مهندسی ویژگی برای داده‌های زبان طبیعی

• انواع سیستم‌های یادگیری ماشین – مبتنی بر ویژگی و مبتنی بر داده خام (یادگیری عمیق)

• آموزش و ارزیابی سیستم‌های یادگیری ماشین کلاسیک و شبکه‌های عصبی

• آموزش و ارزیابی الگوریتم‌های پیشرفته – یادگیری عمیق، اتواینکودرها، GPT-3

• طراحی پایپ‌لاین‌های یادگیری ماشین (MLOps) و تست آن‌ها

• طراحی و پیاده‌سازی نرم‌افزارهای یادگیری ماشین مقیاس‌پذیر و مقاوم – مثال جامع

• اخلاق در جمع‌آوری و مدیریت داده‌ها