ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications

دانلود کتاب طراحی سیستم‌های یادگیری ماشین: فرآیندی تکراری برای برنامه‌های کاربردی آماده تولید

Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications

مشخصات کتاب

Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 1098107969, 9781098107963 
ناشر: O'Reilly Media 
سال نشر: 2022 
تعداد صفحات: 386
[389] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 Mb 

قیمت کتاب (تومان) : 72,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications 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 طراحی سیستم‌های یادگیری ماشین: فرآیندی تکراری برای برنامه‌های کاربردی آماده تولید 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 طراحی سیستم‌های یادگیری ماشین: فرآیندی تکراری برای برنامه‌های کاربردی آماده تولید

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 یاد خواهید گرفت که قابل اعتماد، مقیاس‌پذیر، قابل نگهداری و سازگار با محیط‌های در حال تغییر و الزامات تجاری باشند. نویسنده چیپ هوین، یکی از بنیان‌گذاران Claypot AI، هر تصمیم طراحی را در نظر می‌گیرد - مانند نحوه پردازش و ایجاد داده‌های آموزشی، ویژگی‌هایی که باید استفاده کرد، هر چند وقت یک‌بار مدل‌ها را دوباره آموزش داد، و چه مواردی را نظارت کرد - در چارچوب 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: • داده های مهندسی و انتخاب معیارهای مناسب برای حل یک مشکل تجاری • خودکارسازی فرآیند برای توسعه، ارزیابی، استقرار و به روز رسانی مداوم مدل ها • توسعه یک سیستم نظارت برای شناسایی و رسیدگی سریع به مشکلاتی که مدل های شما ممکن است در تولید با آن مواجه شوند • معماری یک پلت فرم ML که در همه موارد استفاده خدمت می کند • توسعه سیستم های ML مسئول


توضیحاتی درمورد کتاب به خارجی

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





نظرات کاربران