مدیریت پروژه‌های یادگیری ماشین ۲۰۲۳
Managing Machine Learning Projects 2023

در مدیریت پروژه‌های یادگیری ماشین، تکنیک‌های ضروری مدیریت پروژه‌های یادگیری ماشین را خواهید آموخت، از جمله:

* درک نیازمندی‌های یک پروژه ML
* راه اندازی زیرساخت برای پروژه و تامین منابع تیم
* کار با مشتریان و سایر ذینفعان
* پرداختن به منابع داده و وارد کردن آنها به پروژه برای استفاده
* مدیریت چرخه حیات مدل‌ها در پروژه
* مدیریت کاربرد الگوریتم‌های ML
* ارزیابی عملکرد الگوریتم‌ها و مدل‌ها
* تصمیم‌گیری در مورد اینکه کدام مدل‌ها را برای تحویل انتخاب کنیم
* انتقال مدل‌ها از طریق توسعه و آزمایش
* ادغام مدل‌ها با سیستم‌های تولید برای ایجاد برنامه‌های کاربردی موثر
* مراحل و رفتارهایی برای مدیریت مفاهیم اخلاقی فناوری ML

مدیریت پروژه‌های یادگیری ماشین یک راهنمای جامع برای ارائه برنامه‌های یادگیری ماشین به موقع و با بودجه کمتر است. این کتاب ابزارها، رویکردها و فرآیندهایی را ارائه می‌دهد که برای مقابله با چالش‌های منحصر به فرد مدیریت پروژه‌های یادگیری ماشین طراحی شده‌اند. یک مطالعه موردی عمیق را از طریق یک سری اسپرینت دنبال خواهید کرد و خواهید دید که چگونه هر تکنیک را در عمل پیاده کنید. توجه ویژه این کتاب به حریم خصوصی داده‌ها و تأثیرات اجتماعی تضمین می‌کند که پروژه‌های شما اخلاقی، مطابق با قوانین جهانی بوده و از قرار گرفتن در معرض شکست ناشی از سوگیری و سایر مسائل جلوگیری می‌کنند.

درباره فناوری

انتقال پروژه‌های یادگیری ماشین به تولید اغلب مانند گشت و گذار در آب‌های ناشناخته است. از در نظر گرفتن منابع بزرگ داده گرفته تا ردیابی و ارزیابی مدل‌های متعدد، فناوری یادگیری ماشین نیازهای بسیار متفاوتی نسبت به نرم افزار سنتی دارد. نگران نباشید! این کتاب شیوه‌های منحصر به فردی را که برای اطمینان از موفقیت پروژه‌های خود نیاز دارید، بیان می‌کند.

درباره کتاب

مدیریت پروژه‌های یادگیری ماشین یک منبع شگفت انگیز از تکنیک‌های آزمایش شده برای ارائه موثر راه حل‌های یادگیری ماشین در زندگی واقعی است. این کتاب در یک سری اسپرینت ارائه شده است که شما را از یک پیشنهاد پروژه تا استقرار در تولید راهنمایی می‌کند. شما یاد خواهید گرفت که چگونه زیرساخت‌های ضروری را برنامه ریزی کنید، آزمایش‌ها را هماهنگ کنید، از داده‌های حساس محافظت کنید و عملکرد مدل را به طور قابل اعتماد اندازه گیری کنید. بسیاری از پروژه‌های ML در ایجاد ارزش واقعی شکست می‌خورند – این کتاب را بخوانید تا مطمئن شوید که پروژه شما موفقیت آمیز است.

مطالب داخل کتاب

* راه اندازی زیرساخت و تامین منابع تیم
* وارد کردن منابع داده به یک پروژه
* برآورد دقیق زمان و تلاش
* ارزیابی اینکه کدام مدل‌ها را برای تحویل انتخاب کنیم
* ادغام مدل‌ها در برنامه‌های کاربردی موثر

درباره خواننده

برای هر کسی که علاقه‌مند به مدیریت بهتر پروژه‌های یادگیری ماشین است. بدون نیاز به مهارت‌های فنی.

درباره نویسنده

سایمون تامپسون 25 سال را صرف توسعه سیستم‌های هوش مصنوعی برای ایجاد برنامه‌های کاربردی برای استفاده در مخابرات، خدمات مشتری، تولید و بازارهای سرمایه کرده است. او برنامه تحقیقاتی هوش مصنوعی را در BT Labs در انگلستان رهبری کرد و اکنون رئیس علوم داده در GFT Technologies است.

فهرست مطالب

1 مقدمه: ارائه پروژه‌های یادگیری ماشین دشوار است; بیایید آن را بهتر انجام دهیم
2 پیش از پروژه: از فرصت تا الزامات
3 پیش از پروژه: از الزامات تا پیشنهاد
4 شروع کار
5 شیرجه رفتن به داخل مسئله
6 EDA، اخلاق و ارزیابی‌های پایه
7 ساختن مدل‌های مفید با ML
8 تست و انتخاب
9 اسپرینت 3: ساخت سیستم و تولید
10 پس از پروژه (اسپرینت 0)

In Managing Machine Learning Projects you’ll learn essential machine learning project management techniques, including:

• Understanding an ML project’s requirements
• Setting up the infrastructure for the project and resourcing a team
• Working with clients and other stakeholders
• Dealing with data resources and bringing them into the project for use
• Handling the lifecycle of models in the project
• Managing the application of ML algorithms
• Evaluating the performance of algorithms and models
• Making decisions about which models to adopt for delivery
• Taking models through development and testing
• Integrating models with production systems to create effective applications
• Steps and behaviors for managing the ethical implications of ML technology

Managing Machine Learning Projects is an end-to-end guide for delivering machine learning applications on time and under budget. It lays out tools, approaches, and processes designed to handle the unique challenges of machine learning project management. You’ll follow an in-depth case study through a series of sprints and see how to put each technique into practice. The book’s strong consideration to data privacy, and community impact ensure your projects are ethical, compliant with global legislation, and avoid being exposed to failure from bias and other issues.

About the Technology

Ferrying machine learning projects to production often feels like navigating uncharted waters. From accounting for large data resources to tracking and evaluating multiple models, machine learning technology has radically different requirements than traditional software. Never fear! This book lays out the unique practices you’ll need to ensure your projects succeed.

About the Book

Managing Machine Learning Projects is an amazing source of battle-tested techniques for effective delivery of real-life machine learning solutions. The book is laid out across a series of sprints that take you from a project proposal all the way to deployment into production. You’ll learn how to plan essential infrastructure, coordinate experimentation, protect sensitive data, and reliably measure model performance. Many ML projects fail to create real value—read this book to make sure your project is a success.

What’s Inside

• Set up infrastructure and resource a team
• Bring data resources into a project
• Accurately estimate time and effort
• Evaluate which models to adopt for delivery
• Integrate models into effective applications

About the Reader

For anyone interested in better management of machine learning projects. No technical skills required.

About the Author

Simon Thompson has spent 25 years developing AI systems to create applications for use in telecoms, customer service, manufacturing and capital markets. He led the AI research program at BT Labs in the UK, and is now the Head of Data Science at GFT Technologies.

Table of Contents

1 Introduction: Delivering machine learning projects is hard; let’s do it better
2 Pre-project: From opportunity to requirements
3 Pre-project: From requirements to proposal
4 Getting started
5 Diving into the problem
6 EDA, ethics, and baseline evaluations
7 Making useful models with ML
8 Testing and selection
9 Sprint 3: system building and production
10 Post project (sprint O)