یادگیری ماشین فول استک عملی ۲۰۲۱
Practical Full Stack Machine Learning 2021

از توسعه‌ی پایپ‌لاین تا استقرار مدل در محیط عملیاتی، بر فرآیند یادگیری ماشین (ML) مسلط شوید.

ویژگی‌های کلیدی

● تمرکز اصلی بر مهندسی ویژگی، جستجو و بهینه‌سازی مدل، DataOps، پایپ‌لاین ML و مقیاس‌بندی APIهای ML.

● رویکرد گام‌به‌گام برای پوشش تمامی وظایف علم داده با حداکثر کارایی و بالاترین عملکرد.

● دسترسی به ابزارهای پیشرفته‌ی مهندسی داده و ML مانند AirFlow، MLflow و تکنیک‌های تجمیعی.

توضیحات

کتاب «یادگیری ماشین Full-Stack کاربردی» متخصصان داده را با مجموعه‌ای از ابزارها و مفاهیم قدرتمند و متن‌باز آشنا می‌کند که برای ساخت یک پروژه‌ی کامل علم داده مورد نیاز است. این کتاب به زبان پایتون نوشته شده است، اما راه‌حل‌های ML ارائه شده، مستقل از زبان برنامه‌نویسی بوده و می‌توان آن‌ها را در زبان‌ها و مفاهیم نرم‌افزاری مختلف به کار برد.

این کتاب پیش‌پردازش داده، مدیریت ویژگی‌ها، انتخاب بهترین الگوریتم، بهینه‌سازی عملکرد مدل، ارائه مدل‌های ML به عنوان نقاط پایانی API و مقیاس‌بندی APIهای ML را پوشش می‌دهد. به شما کمک می‌کند یاد بگیرید که چگونه از Cookiecutter برای ایجاد ساختارها و الگوهای پروژه‌ی قابل استفاده‌ی مجدد استفاده کنید. DVC را توضیح می‌دهد تا بتوانید آن را پیاده‌سازی کرده و از مزایای مشابه در پروژه‌های ML بهره‌مند شوید. همچنین DASK و نحوه‌ی استفاده از آن برای ایجاد راهکارهای مقیاس‌پذیر برای وظایف پیش‌پردازش داده را پوشش می‌دهد. KerasTuner، یک چارچوب بهینه‌سازی ابرپارامتر مقیاس‌پذیر و با کاربری آسان که نقاط ضعف جستجوی ابرپارامتر را برطرف می‌کند، در این کتاب مورد بررسی قرار می‌گیرد. تکنیک‌های تجمیعی مانند bagging، stacking و boosting و همچنین چارچوب ML-ensemble برای پیاده‌سازی آسان و مؤثر یادگیری تجمیعی را توضیح می‌دهد.

این کتاب همچنین نحوه‌ی استفاده از Airflow برای خودکارسازی وظایف ETL برای آماده‌سازی داده را پوشش می‌دهد. MLflow را بررسی می‌کند که به شما امکان می‌دهد مدل‌های ایجاد شده با هر کتابخانه‌ای را آموزش دهید، دوباره استفاده کنید و مستقر کنید. نحوه‌ی استفاده از fastAPI برای ارائه و مقیاس‌بندی مدل‌های ML به عنوان نقاط پایانی API را آموزش می‌دهد.

چه چیزی یاد خواهید گرفت

● یاد بگیرید چگونه پایپ‌لاین‌های یادگیری ماشین قابل استفاده‌ی مجددی ایجاد کنید که برای محیط عملیاتی آماده باشند.

● راهکارهای مقیاس‌پذیر برای وظایف پیش‌پردازش داده با استفاده از DASK پیاده‌سازی کنید.

● تکنیک‌های تجمیعی مانند Bagging، Stacking و Boosting را آزمایش کنید.

● یاد بگیرید چگونه از Airflow برای خودکارسازی وظایف ETL برای آماده‌سازی داده استفاده کنید.

● MLflow را برای آموزش، پردازش مجدد و استقرار مدل‌های ایجاد شده با هر کتابخانه‌ای بیاموزید.

● با Cookiecutter، KerasTuner، DVC، fastAPI و بسیاری موارد دیگر کار کنید.

این کتاب برای چه کسانی است

این کتاب برای دانشمندان داده‌ای است که می‌خواهند در کل فرآیند توسعه‌ی برنامه‌های ML از ابتدا تا انتها، ماهرتر شوند. داشتن دانش پایه در مورد یادگیری ماشین و برنامه‌نویسی Keras یک نیاز اساسی خواهد بود.

فهرست مطالب

1. سازماندهی پروژه‌ی علم داده‌ی شما
2. آماده‌سازی ساختار داده‌ی شما
3. ساخت معماری ML شما
4. خداحافظ زمان‌بندی، سلام Airflow
5. سازماندهی ساختار پروژه‌ی علم داده‌ی شما
6. Feature Store برای ML
7. ارائه ML به عنوان API

Master the ML process, from pipeline development to model deployment in production.

 

KEY FEATURES  

● Prime focus on feature-engineering, model-exploration & optimization, dataops, ML pipeline, and scaling ML API.

● A step-by-step approach to cover every data science task with utmost efficiency and highest performance.

● Access to advanced data engineering and ML tools like AirFlow, MLflow, and ensemble techniques.

 

DESCRIPTION 

‘Practical Full-Stack Machine Learning’ introduces data professionals to a set of powerful, open-source tools and concepts required to build a complete data science project. This book is written in Python, and the ML solutions are language-neutral and can be applied to various software languages and concepts.

The book covers data pre-processing, feature management, selecting the best algorithm,  model performance optimization, exposing ML models as API endpoints, and scaling ML API. It helps you learn how to use cookiecutter to create reusable project structures and templates. It explains DVC so that you can implement it and reap the same benefits in ML projects.It also covers DASK and how to use it to create scalable solutions for pre-processing data tasks. KerasTuner, an easy-to-use, scalable hyperparameter optimization framework that solves the pain points of hyperparameter search will be covered in this book. It explains ensemble techniques such as bagging, stacking, and boosting methods and the ML-ensemble framework to easily and effectively implement ensemble learning. 

The book also covers how to use Airflow to automate your ETL tasks for data preparation. It explores MLflow, which allows you to train, reuse, and deploy models created with any library. It teaches how to use fastAPI to expose and scale ML models as API endpoints.

 

WHAT YOU WILL LEARN

● Learn how to create reusable machine learning pipelines that are ready for production.

● Implement scalable solutions for pre-processing data tasks using DASK.

● Experiment with ensembling techniques like Bagging, Stacking, and Boosting methods.

● Learn how to use Airflow to automate your ETL tasks for data preparation.

● Learn MLflow for training, reprocessing, and deployment of models created with any library.

● Workaround cookiecutter, KerasTuner, DVC, fastAPI, and a lot more.

WHO THIS BOOK IS FOR  

This book is geared toward data scientists who want to become more proficient in the entire process of developing ML applications from start to finish. Knowing the fundamentals of machine learning and Keras programming would be an essential requirement.

 

TABLE OF CONTENTS

1. Organizing Your Data Science Project

2. Preparing Your Data Structure

3. Building Your ML Architecture

4. Bye-Bye Scheduler, Welcome Airflow

5. Organizing Your Data Science Project Structure

6. Feature Store for ML 

7. Serving ML as API