دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
دانلود کتاب یادگیری ماشین خودکار: بهینه سازی فراپارامتر، جستجوی معماری عصبی و انتخاب الگوریتم با پلتفرم های ابری
مشخصات کتاب
Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms
ویرایش:
نویسندگان: Adnan Masood
سری:
ISBN (شابک) : 1800565526, 9781800565524
ناشر: Packt Publishing Ltd
سال نشر: 2021
تعداد صفحات: 312
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 20 مگابایت
قیمت کتاب (تومان) : 61,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشین خودکار: بهینه سازی فراپارامتر، جستجوی معماری عصبی و انتخاب الگوریتم با پلتفرم های ابری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری ماشین خودکار: بهینه سازی فراپارامتر، جستجوی معماری عصبی و انتخاب الگوریتم با پلتفرم های ابری
با یادگیری ماشینی خودکار آشنا شوید و رویکردی عملی برای پیادهسازی AutoML و متدولوژیهای مرتبط اتخاذ کنید
ویژگیهای کلیدی- با AutoML با استفاده از OSS به سرعت عمل کنید. ، Azure، AWS، GCP، یا هر پلتفرم مورد نظر شما
- حذف وظایف پیش پا افتاده در مهندسی داده و کاهش خطاهای انسانی در مدل های یادگیری ماشین
- دریابید که چگونه می توانید یادگیری ماشینی را در دسترس قرار دهید. برای همه کاربران برای ترویج فرآیندهای غیرمتمرکز
هر مهندس یادگیری ماشینی با سیستم هایی سر و کار دارد که دارای فراپارامتر هستند و اساسی ترین وظیفه در یادگیری ماشین خودکار (AutoML) تنظیم خودکار این فراپارامترها بر روی بهینه سازی عملکرد جدیدترین شبکههای عصبی عمیق دارای طیف گستردهای از فراپارامترها برای معماری، منظمسازی و بهینهسازی خود هستند که میتوانند به طور موثر برای صرفهجویی در زمان و تلاش شخصیسازی شوند.
این کتاب تکنیکهای اساسی مهندسی ویژگیهای خودکار، مدل را بررسی میکند. و تنظیم هایپرپارامتر، رویکردهای مبتنی بر گرادیان، و بسیاری موارد دیگر. راههای مختلف پیادهسازی این تکنیکها را در ابزارهای منبع باز کشف خواهید کرد و سپس یاد خواهید گرفت که از ابزارهای سازمانی برای پیادهسازی AutoML در سه ارائهدهنده خدمات ابری بزرگ استفاده کنید: Microsoft Azure، Amazon Web Services (AWS)، و Google Cloud Platform. همانطور که پیشرفت می کنید، با ساختن مدل های یادگیری ماشینی با استفاده از AutoML، ویژگی های پلتفرم های ابری AutoML را کشف خواهید کرد. این کتاب همچنین به شما نشان میدهد که چگونه با خودکارسازی کارهای زمانبر و تکراری در چرخه عمر توسعه یادگیری ماشین، مدلهای دقیق ایجاد کنید.
در پایان این کتاب یادگیری ماشینی، میتوانید بسازید و از مدلهای AutoML استفاده کنید که نه تنها دقیق هستند، بلکه بهرهوری را نیز افزایش میدهند، امکان همکاری با یکدیگر را فراهم میکنند و وظایف مهندسی ویژگیها را به حداقل میرسانند.
آنچه یاد خواهید گرفت- مبانی AutoML، روشها و تکنیکهای اساسی را کاوش کنید
- ارزیابی جنبه های AutoML مانند انتخاب الگوریتم، ویژگی خودکار، و تنظیم هایپرپارامتر در یک سناریوی کاربردی
- تفاوت بین ابر و سیستم های پشتیبانی عملیات (OSS) را بیابید
- پیاده سازی AutoML در ابر سازمانی برای استقرار مدلها و خطوط لوله ML
- ساخت خطوط لوله AutoML قابل توضیح با شفافیت
- درک مهندسی ویژگیهای خودکار و پیشبینی سریهای زمانی
- وظایف مدلسازی علم داده را خودکار کنید. راه حل های ML را به راحتی پیاده سازی کنید و روی مسائل پیچیده تر تمرکز کنید
دانشمندان داده شهروند، توسعه دهندگان یادگیری ماشین، علاقه مندان به هوش مصنوعی، یا هر کسی که به دنبال ساخت خودکار مدل های یادگیری ماشینی با استفاده از ویژگی ها است. ارائه شده توسط ابزارهای منبع باز، Microsoft Azure Machine Learning، AWS و Google Cloud Platform این کتاب مفید خواهد بود. برای کسب بهترین نتیجه از این کتاب، دانش سطح مبتدی از ساخت مدل های ML مورد نیاز است. تجربه قبلی در استفاده از ابر سازمانی مفید است.
توضیحاتی درمورد کتاب به خارجی
Get to grips with automated machine learning and adopt a hands-on approach to AutoML implementation and associated methodologies
Key Features- Get up to speed with AutoML using OSS, Azure, AWS, GCP, or any platform of your choice
- Eliminate mundane tasks in data engineering and reduce human errors in machine learning models
- Find out how you can make machine learning accessible for all users to promote decentralized processes
Every machine learning engineer deals with systems that have hyperparameters, and the most basic task in automated machine learning (AutoML) is to automatically set these hyperparameters to optimize performance. The latest deep neural networks have a wide range of hyperparameters for their architecture, regularization, and optimization, which can be customized effectively to save time and effort.
This book reviews the underlying techniques of automated feature engineering, model and hyperparameter tuning, gradient-based approaches, and much more. You'll discover different ways of implementing these techniques in open source tools and then learn to use enterprise tools for implementing AutoML in three major cloud service providers: Microsoft Azure, Amazon Web Services (AWS), and Google Cloud Platform. As you progress, you’ll explore the features of cloud AutoML platforms by building machine learning models using AutoML. The book will also show you how to develop accurate models by automating time-consuming and repetitive tasks in the machine learning development lifecycle.
By the end of this machine learning book, you’ll be able to build and deploy AutoML models that are not only accurate, but also increase productivity, allow interoperability, and minimize feature engineering tasks.
What you will learn- Explore AutoML fundamentals, underlying methods, and techniques
- Assess AutoML aspects such as algorithm selection, auto featurization, and hyperparameter tuning in an applied scenario
- Find out the difference between cloud and operations support systems (OSS)
- Implement AutoML in enterprise cloud to deploy ML models and pipelines
- Build explainable AutoML pipelines with transparency
- Understand automated feature engineering and time series forecasting
- Automate data science modeling tasks to implement ML solutions easily and focus on more complex problems
Citizen data scientists, machine learning developers, artificial intelligence enthusiasts, or anyone looking to automatically build machine learning models using the features offered by open source tools, Microsoft Azure Machine Learning, AWS, and Google Cloud Platform will find this book useful. Beginner-level knowledge of building ML models is required to get the best out of this book. Prior experience in using Enterprise cloud is beneficial.
فهرست مطالب
Cover Title Page Copyright and Credits Foreword Contributors Table of Contents Preface Section 1: Introduction to Automated Machine Learning Chapter 1: A Lap around Automated Machine Learning The ML development life cycle Automated ML How automated ML works Hyperparameters The need for automated ML Democratization of data science Debunking automated ML myths Myth #1 – The end of data scientists Myth #2 – Automated ML can only solve toy problems Automated ML ecosystem Open source platforms and tools Microsoft NNI auto-sklearn Auto-Weka Auto-Keras TPOT Ludwig – a code-free AutoML toolbox AutoGluon – an AutoML toolkit for deep learning Featuretools H2O AutoML Commercial tools and platforms DataRobot Google Cloud AutoML Amazon SageMaker Autopilot Azure Automated ML H2O Driverless AI The future of automated ML The automated ML challenges and limitations A Getting Started guide for enterprises Summary Further reading Chapter 2: Automated Machine Learning, Algorithms, and Techniques Automated ML – Opening the hood The taxonomy of automated ML terms Automated feature engineering Hyperparameter optimization Neural architecture search Summary Further reading Chapter 3: Automated Machine Learning with Open Source Tools and Libraries Technical requirements The open source ecosystem for AutoML Introducing TPOT How does TPOT do this? Introducing Featuretools Introducing Microsoft NNI Introducing auto-sklearn AutoKeras Ludwig – a code-free AutoML toolbox AutoGluon – the AutoML toolkit for deep learning Summary Further reading Section 2: AutoML with Cloud Platforms Chapter 4: Getting Started with Azure Machine Learning Getting started with Azure Machine Learning The Azure Machine Learning stack Getting started with the Azure Machine Learning service Modeling with Azure Machine Learning Deploying and testing models with Azure Machine Learning Summary Further reading Chapter 5: Automated Machine Learning with Microsoft Azure AutoML in Microsoft Azure Time series prediction using AutoML Summary Further reading Chapter 6: Machine Learning with AWS ML in the AWS landscape Getting started with AWS ML AWS SageMaker Autopilot AWS JumpStart Summary Further reading Chapter 7: Doing Automated Machine Learning with Amazon SageMaker Autopilot Technical requirements Creating an Amazon SageMaker Autopilot limited experiment Creating an AutoML experiment Running the SageMaker Autopilot experiment and deploying the model Invoking the model Building and running SageMaker Autopilot experiments from the notebook Hosting and invoking the model Summary Further reading Chapter 8: Machine Learning with Google Cloud Platform Getting started with the Google Cloud Platform services AI and ML with GCP Google Cloud AI Platform and AI Hub Getting started with Google Cloud AI Platform Automated ML with Google Cloud Summary Further reading Chapter 9: Automated Machine Learning with GCP Getting started with Google Cloud AutoML Tables Creating an AutoML Tables experiment Understanding AutoML Tables model deployment AutoML Tables with BigQuery public datasets Automated machine learning for price prediction Summary Further reading Section 3: Applied Automated Machine Learning Chapter 10: AutoML in the Enterprise Does my organization need automated ML? Clash of the titans – automated ML versus data scientists Automated ML – an accelerator for enterprise advanced analytics The democratization of AI with human-friendly insights Augmented intelligence Automated ML challenges and opportunities Not having enough data Model performance Domain expertise and special use cases Computational costs Embracing the learning curve Stakeholder adaption Establishing trust – model interpretability and transparency in automated ML Feature importance Counterfactual analysis Data science measures for model accuracy Pre-modeling explainability During-modeling explainability Post-modeling explainability Introducing automated ML in an organization Brace for impact Choosing the right automated ML platform The importance of data The right messaging for your audience Call to action – where do I go next? References and further reading Why subscribe? About Packt Other Books You May Enjoy Index
