در «مهندسی یادگیری ماشین در عمل»، شما موارد زیر را خواهید آموخت:
ارزیابی مشکلات علم داده برای یافتن مؤثرترین راهحل
تعیین محدوده یک پروژه یادگیری ماشینی برای انتظارات استفاده و بودجه
تکنیکهای فرآیندی که تلاش هدر رفته را به حداقل میرسانند و سرعت تولید را افزایش میدهند
ارزیابی یک پروژه با استفاده از کار نمونهسازی استاندارد و اعتبارسنجی آماری
انتخاب فناوریها و ابزارهای مناسب برای پروژه شما
قابل فهمتر، قابل نگهداریتر و قابل آزمایشتر کردن پایگاه کد شما
خودکارسازی شیوههای عیبیابی و ثبت وقایع
انتقال یک پروژه یادگیری ماشینی از تیم علم داده شما به کاربران نهاییتان کار آسانی نیست. «مهندسی یادگیری ماشین در عمل» به شما کمک میکند تا آن را ساده کنید. در این کتاب، توصیههای فوقالعادهای از بن ویلسون، متخصص باتجربه صنعت و معمار ارشد راهحلهای مقیم در Databricks، خواهید یافت.
بن جعبه ابزار شخصی خود از تکنیکهای ساخت سیستمهای یادگیری ماشینی تولیدی قابل استقرار و قابل نگهداری را معرفی میکند. شما اهمیت روشهای چابک (Agile) را برای نمونهسازی سریع و مشورت با ذینفعان خواهید آموخت، ضمن اینکه درک جدیدی از اهمیت برنامهریزی پیدا خواهید کرد. اتخاذ استانداردهای توسعه نرمافزار جاافتاده به شما کمک میکند تا مدیریت کد بهتری ارائه دهید و آزمایش، مقیاسبندی و حتی استفاده مجدد از کد یادگیری ماشین خود را آسانتر کنید. هر روش به سبکی دوستانه و نظیر به نظیر توضیح داده شده و با کد منبع آماده برای تولید نشان داده شده است.
درباره فناوری
حداکثر عملکرد را از مدلها و دادههای خود ارائه دهید. این مجموعه از تکنیکهای قابل تکرار به شما کمک میکند تا هر بار خطوط لوله داده پایدار، گردشهای کاری کارآمد برنامه و مدلهای قابل نگهداری بسازید. بر اساس دههها تجربه خوب در مهندسی نرمافزار، مهندسی یادگیری ماشین تضمین میکند که سیستمهای یادگیری ماشین شما انعطافپذیر، سازگار و در تولید عملکرد خوبی دارند.
