الگوهای یادگیری ماشین توزیع‌شده ۲۰۲۴
Distributed Machine Learning Patterns 2024

**الگوهای عملی برای گسترش یادگیری ماشین از لپ‌تاپ شما تا یک خوشه توزیع‌شده.**

توزیع سیستم‌های یادگیری ماشین به توسعه‌دهندگان این امکان را می‌دهد تا مجموعه‌داده‌های بسیار بزرگ را در چندین خوشه مدیریت کنند، از ابزارهای خودکارسازی بهره ببرند و از شتاب‌دهنده‌های سخت‌افزاری استفاده کنند. این کتاب، بهترین تکنیک‌های عملی و نکات تخصصی برای مقابله با چالش‌های گسترش سیستم‌های یادگیری ماشین را آشکار می‌کند.

در کتاب *الگوهای یادگیری ماشین توزیع‌شده* خواهید آموخت:

* چگونه الگوهای سیستم‌های توزیع‌شده را برای ساخت پروژه‌های یادگیری ماشین مقیاس‌پذیر و قابل اعتماد به کار گیرید.
* چگونه خطوط لوله (پایپ‌لاین‌های) یادگیری ماشین را با دریافت داده، آموزش توزیع‌شده، ارائه مدل و موارد دیگر بسازید.
* چگونه وظایف یادگیری ماشین را با Kubernetes، TensorFlow، Kubeflow و Argo Workflows خودکار کنید.
* چگونه بین الگوها و رویکردهای مختلف، مصالحه کنید.
* چگونه حجم‌های کاری یادگیری ماشین را در مقیاس بزرگ مدیریت و نظارت کنید.

درون کتاب *الگوهای یادگیری ماشین توزیع‌شده*، یاد خواهید گرفت که الگوهای سیستم‌های توزیع‌شده تثبیت‌شده را در پروژه‌های یادگیری ماشین به کار گیرید – به علاوه الگوهای جدید و پیشرفته‌ای را که به طور خاص برای یادگیری ماشین ایجاد شده‌اند، کشف کنید. این کتاب که کاملاً در دنیای واقعی ریشه دارد، نشان می‌دهد که چگونه الگوها را با استفاده از مثال‌هایی مبتنی بر TensorFlow، Kubernetes، Kubeflow و Argo Workflows اعمال کنید. پروژه‌های عملی و تکنیک‌های DevOps روشن و کاربردی به شما این امکان را می‌دهند که به راحتی خطوط لوله یادگیری ماشین توزیع‌شده بومی ابر (cloud-native) را راه‌اندازی، مدیریت و نظارت کنید.

**درباره‌ی فناوری**

پیاده‌سازی یک برنامه یادگیری ماشین روی یک سیستم توزیع‌شده مدرن، قابلیت اطمینان، عملکرد، امنیت و سایر نگرانی‌های عملیاتی را برجسته می‌کند. در این راهنمای جامع، یوان تانگ، رهبر پروژه‌های Argo و Kubeflow، الگوها، مثال‌ها و بینش‌های به دست آمده با زحمت فراوان را در مورد انتقال یک مدل ML از یک دستگاه واحد به یک خوشه توزیع‌شده به اشتراک می‌گذارد.

**درباره‌ی کتاب**

*الگوهای یادگیری ماشین توزیع‌شده* ده‌ها تکنیک برای طراحی و پیاده‌سازی سیستم‌های یادگیری ماشین توزیع‌شده ارائه می‌دهد. در آن، الگوهایی برای آموزش مدل توزیع‌شده، مدیریت خرابی‌های غیرمنتظره و ارائه مدل پویا یاد خواهید گرفت. از مثال‌های عملی که هر الگو را همراهی می‌کنند و همچنین یک پروژه کامل که آموزش و استنتاج مدل توزیع‌شده را با مقیاس‌بندی خودکار در Kubernetes پیاده‌سازی می‌کند، قدردانی خواهید کرد.

**آنچه در داخل خواهید یافت**

* دریافت داده، آموزش توزیع‌شده، ارائه مدل و موارد دیگر
* خودکارسازی Kubernetes و TensorFlow با Kubeflow و Argo Workflows
* مدیریت و نظارت بر حجم‌های کاری در مقیاس بزرگ

**درباره‌ی خواننده**

برای تحلیلگران و مهندسان داده که با مبانی یادگیری ماشین، Bash، Python و Docker آشنا هستند.

**درباره‌ی نویسنده**

**یوان تانگ** رهبر پروژه‌های Argo و Kubeflow، نگهدارنده TensorFlow و XGBoost و نویسنده پروژه‌های متن‌باز متعددی است.

**فهرست مطالب**

بخش 1: مفاهیم اساسی و پیشینه

1 مقدمه‌ای بر سیستم‌های یادگیری ماشین توزیع‌شده

بخش 2: الگوهای سیستم‌های یادگیری ماشین توزیع‌شده

2 الگوهای دریافت داده

3 الگوهای آموزش توزیع‌شده

4 الگوهای ارائه مدل

5 الگوهای گردش کار (Workflow)

6 الگوهای عملیات

بخش 3: ساخت یک گردش کار یادگیری ماشین توزیع‌شده

7 بررسی اجمالی پروژه و معماری سیستم

8 مروری بر فناوری‌های مرتبط

9 پیاده‌سازی کامل

Practical patterns for scaling machine learning from your laptop to a distributed cluster.

Distributing machine learning systems allow developers to handle extremely large datasets across multiple clusters, take advantage of automation tools, and benefit from hardware accelerations. This book reveals best practice techniques and insider tips for tackling the challenges of scaling machine learning systems.

In Distributed Machine Learning Patterns you will learn how to:

• Apply distributed systems patterns to build scalable and reliable machine learning projects
• Build ML pipelines with data ingestion, distributed training, model serving, and more
• Automate ML tasks with Kubernetes, TensorFlow, Kubeflow, and Argo Workflows
• Make trade-offs between different patterns and approaches
• Manage and monitor machine learning workloads at scale

Inside Distributed Machine Learning Patterns you’ll learn to apply established distributed systems patterns to machine learning projects—plus explore cutting-edge new patterns created specifically for machine learning. Firmly rooted in the real world, this book demonstrates how to apply patterns using examples based in TensorFlow, Kubernetes, Kubeflow, and Argo Workflows. Hands-on projects and clear, practical DevOps techniques let you easily launch, manage, and monitor cloud-native distributed machine learning pipelines.

About the technology

Deploying a machine learning application on a modern distributed system puts the spotlight on reliability, performance, security, and other operational concerns. In this in-depth guide, Yuan Tang, project lead of Argo and Kubeflow, shares patterns, examples, and hard-won insights on taking an ML model from a single device to a distributed cluster.

About the book

Distributed Machine Learning Patterns provides dozens of techniques for designing and deploying distributed machine learning systems. In it, you’ll learn patterns for distributed model training, managing unexpected failures, and dynamic model serving. You’ll appreciate the practical examples that accompany each pattern along with a full-scale project that implements distributed model training and inference with autoscaling on Kubernetes.

What’s inside

• Data ingestion, distributed training, model serving, and more
• Automating Kubernetes and TensorFlow with Kubeflow and Argo Workflows
• Manage and monitor workloads at scale

About the reader

For data analysts and engineers familiar with the basics of machine learning, Bash, Python, and Docker.

About the author

Yuan Tang is a project lead of Argo and Kubeflow, maintainer of TensorFlow and XGBoost, and author of numerous open source projects.

Table of Contents

PART 1 BASIC CONCEPTS AND BACKGROUND
1 Introduction to distributed machine learning systems
PART 2 PATTERNS OF DISTRIBUTED MACHINE LEARNING SYSTEMS
2 Data ingestion patterns
3 Distributed training patterns
4 Model serving patterns
5 Workflow patterns
6 Operation patterns
PART 3 BUILDING A DISTRIBUTED MACHINE LEARNING WORKFLOW
7 Project overview and system architecture
8 Overview of relevant technologies
9 A complete implementation