Feature Store for Machine Learning: Curate, discover, share and serve ML features at scale

بیاموزید که چگونه از فروشگاه‌های ویژگی استفاده کنید تا از مدل‌های یادگیری ماشین خود نهایت استفاده را ببرید

ویژگی‌های کلیدی

• اهمیت ذخیره‌سازی ویژگی‌ها در چرخه حیات ML را درک کنید
• کشف کنید که چگونه ویژگی‌ها را می‌توان به اشتراک گذاشت، کشف کرد، و دوباره -used
• یاد بگیرید ویژگی‌های مدل‌های آنلاین را در طول استنتاج در دسترس قرار دهید

فروشگاه ویژگی یکی از لایه‌های ذخیره‌سازی در عملیات یادگیری ماشین (ML) است، جایی که دانشمندان داده و مهندسان ML می‌توانند ویژگی‌های تغییریافته و تنظیم‌شده را ذخیره کنند. مدل های ML این باعث می شود آنها برای آموزش مدل، استنتاج (دسته ای و آنلاین) و استفاده مجدد در خطوط لوله ML دیگر در دسترس باشند. دانستن نحوه استفاده از فروشگاه های ویژگی تا حد امکان می تواند در زمان و تلاش شما صرفه جویی کند، و این کتاب همه چیزهایی را که برای شروع نیاز دارید به شما آموزش می دهد.

ویژگی Store for Machine Learning برای دانشمندان داده است که می خواهند یاد بگیرند چگونه از فروشگاه های ویژگی برای اشتراک گذاری و استفاده مجدد از کار و تخصص یکدیگر استفاده کنند. شما قادر خواهید بود شیوه‌هایی را پیاده‌سازی کنید که به حذف پردازش مجدد داده‌ها، ارائه قابلیت‌های تکرارپذیر مدل، و کاهش کارهای تکراری کمک می‌کند، بنابراین زمان تولید مدل ML را بهبود می‌بخشد. در حالی که این کتاب ML برخی از زمینه های نظری را برای توسعه دهندگانی که به تازگی با فروشگاه های ویژگی آشنا می شوند ارائه می دهد، دانش عملی زیادی برای کسانی که آماده به کار بردن دانش خود هستند وجود دارد. با رویکرد عملی به پیاده سازی و متدولوژی های مرتبط، در کمترین زمان شروع به کار خواهید کرد.

در پایان این کتاب، دلیل آن را خواهید فهمید. فروشگاه های ویژگی ضروری هستند و نحوه استفاده از آنها در پروژه های ML خود، هم در سیستم محلی و هم در فضای ابری.

آنچه خواهید آموخت

• اهمیت فروشگاه‌های ویژگی در خط لوله یادگیری ماشینی را درک کنید
• به خوبی با نحوه کار آشنا شوید برای سرپرستی، ذخیره، اشتراک‌گذاری و کشف ویژگی‌ها با استفاده از فروشگاه‌های ویژگی
• کاوش در مؤلفه‌ها و قابلیت‌های مختلف فروشگاه ویژگی
• نحوه استفاده از فروشگاه‌های ویژگی با مدل‌های دسته‌ای و آنلاین را کشف کنید
• به عمر مدل خود تسریع کنید چرخه و کاهش هزینه ها
• اولین فروشگاه ویژگی خود را برای موارد استفاده تولیدی راه اندازی کنید

این کتاب برای چه کسی است

اگر درک کاملی از اصول یادگیری ماشین دارید، اما برای شروع استفاده از آنها به یک مرور کلی از فروشگاه های ویژگی نیاز دارید، پس این کتاب برای شماست. مهندسان یادگیری داده/ماشین و دانشمندان داده که مدل‌های یادگیری ماشینی را برای سیستم‌های تولید در هر حوزه‌ای می‌سازند، آن‌هایی که از مهندسین داده در تولید مدل‌های ML حمایت می‌کنند و مهندسان پلت‌فرم که پلتفرم‌های علم داده (ML) را برای سازمان می‌سازند، توصیه‌های عملی زیادی خواهند یافت. در فصول بعدی این کتاب.

فهرست مطالب

1. نمای کلی ماشین چرخه زندگی یادگیری
2. فروشگاه‌های ویژگی چه مشکلاتی را حل می‌کنند؟
3. < span>اصول، اصطلاحات و استفاده از فروشگاه ویژگی
4. افزودن فروشگاه ویژگی به مدل‌های ML< li>آموزش مدل و استنتاج
5. مدل تا تولید و فراتر از آن
6. جایگزین‌های جشن و بهترین شیوه‌های ML
7. مورد استفاده – پیش‌بینی ریزش مشتری

Learn how to leverage feature stores to make the most of your machine learning models

Key Features

• Understand the significance of feature stores in the ML life cycle
• Discover how features can be shared, discovered, and re-used
• Learn to make features available for online models during inference

Book Description

Feature store is one of the storage layers in machine learning (ML) operations, where data scientists and ML engineers can store transformed and curated features for ML models. This makes them available for model training, inference (batch and online), and reuse in other ML pipelines. Knowing how to utilize feature stores to their fullest potential can save you a lot of time and effort, and this book will teach you everything you need to know to get started.

Feature Store for Machine Learning is for data scientists who want to learn how to use feature stores to share and reuse each other's work and expertise. You'll be able to implement practices that help in eliminating reprocessing of data, providing model-reproducible capabilities, and reducing duplication of work, thus improving the time to production of the ML model. While this ML book offers some theoretical groundwork for developers who are just getting to grips with feature stores, there's plenty of practical know-how for those ready to put their knowledge to work. With a hands-on approach to implementation and associated methodologies, you'll get up and running in no time.

By the end of this book, you'll have understood why feature stores are essential and how to use them in your ML projects, both on your local system and on the cloud.

What you will learn

• Understand the significance of feature stores in a machine learning pipeline
• Become well-versed with how to curate, store, share and discover features using feature stores
• Explore the different components and capabilities of a feature store
• Discover how to use feature stores with batch and online models
• Accelerate your model life cycle and reduce costs
• Deploy your first feature store for production use cases

Who this book is for

If you have a solid grasp on machine learning basics, but need a comprehensive overview of feature stores to start using them, then this book is for you. Data/machine learning engineers and data scientists who build machine learning models for production systems in any domain, those supporting data engineers in productionizing ML models, and platform engineers who build data science (ML) platforms for the organization will also find plenty of practical advice in the later chapters of this book.

Table of Contents

1. An Overview of the Machine Learning Life Cycle
2. What Problems Do Feature Stores Solve?
3. Feature Store Fundamentals, Terminology, and Usage
4. Adding Feature Store to ML Models
5. Model Training and Inference
6. Model to Production and Beyond
7. Feast Alternatives and ML Best Practices
8. Use Case – Customer Churn Prediction