لایب سان

Machine learning systems are both complex and unique. Complex because they consist of many different components and involve many different stakeholders. Unique because they're data dependent, with data varying wildly from one use case to the next. In this book, you'll learn a holistic approach to designing ML systems that are reliable, scalable, maintainable, and adaptive to changing environments and business requirements.

Author Chip Huyen, co-founder of Claypot AI, considers each design decision--such as how to process and create training data, which features to use, how often to retrain models, and what to monitor--in the context of how it can help your system as a whole achieve its objectives. The iterative framework in this book uses actual case studies backed by ample references.

This book will help you tackle scenarios such as:
• Engineering data and choosing the right metrics to solve a business problem
• Automating the process for continually developing, evaluating, deploying, and updating models
• Developing a monitoring system to quickly detect and address issues your models might encounter in production
• Architecting an ML platform that serves across use cases
• Developing responsible ML systems

چکیده فارسی

سیستم های یادگیری ماشینی هم پیچیده و هم منحصر به فرد هستند. پیچیده هستند زیرا از اجزای مختلف تشکیل شده اند و ذینفعان مختلفی را در بر می گیرند. منحصربه‌فرد هستند زیرا به داده‌ها وابسته هستند و داده‌ها از یک مورد استفاده به مورد دیگر بسیار متفاوت هستند. در این کتاب، شما یک رویکرد جامع برای طراحی سیستم‌های ML را خواهید آموخت که قابل اعتماد، مقیاس‌پذیر، قابل نگهداری و سازگار با محیط‌های در حال تغییر و الزامات تجاری هستند.

نویسنده Chip Huyen، یکی از بنیان‌گذاران Claypot AI، هر تصمیم طراحی را در نظر می‌گیرد - مانند نحوه پردازش و ایجاد داده‌های آموزشی، ویژگی‌هایی که باید از آنها استفاده کرد، هر چند وقت یک‌بار مدل‌ها را مجدداً آموزش داد، و چه چیزی را نظارت کرد - در زمینه نحوه آن. می تواند به سیستم شما به عنوان یک کل در دستیابی به اهداف خود کمک کند. چارچوب تکراری در این کتاب از مطالعات موردی واقعی با پشتوانه منابع فراوان استفاده می‌کند.

این کتاب به شما در مقابله با سناریوهایی مانند:
کمک می کند • داده های مهندسی و انتخاب معیارهای مناسب برای حل یک مشکل تجاری
• خودکارسازی فرآیند برای توسعه مداوم، ارزیابی، استقرار و به روز رسانی مدل ها
• توسعه یک سیستم نظارت برای شناسایی و رسیدگی سریع به مشکلاتی که ممکن است مدل های شما در تولید با آن مواجه شوند
• معماری یک پلت فرم ML که در همه موارد استفاده خدمت می کند
• توسعه سیستم های مسئول ML