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 Machine Learning Engineering in Action

دانلود کتاب مهندسی یادگیری ماشین در عمل

Machine Learning Engineering in Action

مشخصات کتاب

Machine Learning Engineering in Action

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781617298714 
ناشر: Manning Publications Co. 
سال نشر: 2022 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 26 Mb 

قیمت کتاب (تومان) : 41,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Machine Learning Engineering in Action 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 مهندسی یادگیری ماشین در عمل 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 مهندسی یادگیری ماشین در عمل

نکات، ترفندها و الگوهای طراحی میدانی برای ساخت پروژه های یادگیری ماشینی که از مفهوم تا تولید قابل اجرا، قابل نگهداری و ایمن هستند. در مهندسی یادگیری ماشین در عمل، یاد خواهید گرفت: • ارزیابی مسائل علم داده برای یافتن موثرترین راه حل • محدوده پروژه یادگیری ماشینی برای انتظارات استفاده و بودجه • تکنیک های فرآیندی که تلاش های تلف شده را به حداقل می رساند و تولید را سرعت می بخشد • ارزیابی یک پروژه با استفاده از نمونه سازی استاندارد شده و اعتبار سنجی آماری • انتخاب فناوری ها و ابزارهای مناسب برای پروژه شما • ایجاد پایگاه کد خود را قابل درک تر، قابل نگهداری، و قابل آزمایش • خودکارسازی شیوه های عیب یابی و ورود به سیستم انتقال پروژه یادگیری ماشینی از تیم علم داده به کاربران نهایی کار آسانی نیست. مهندسی یادگیری ماشین در عمل به شما کمک می کند آن را ساده کنید. در داخل، توصیه‌های فوق‌العاده‌ای از متخصص صنعت کهنه کار بن ویلسون، معمار اصلی Resident Solutions در Databricks خواهید یافت. بن جعبه ابزار شخصی خود را از تکنیک‌های ساخت سیستم‌های یادگیری ماشینی تولید قابل استقرار و نگهداری معرفی می‌کند. شما اهمیت روش‌های Agile را برای نمونه‌سازی سریع و گفتگو با سهامداران یاد خواهید گرفت و در عین حال درک جدیدی از اهمیت برنامه‌ریزی ایجاد می‌کنید. اتخاذ استانداردهای توسعه نرم‌افزار به خوبی تثبیت شده به شما کمک می‌کند مدیریت کد بهتری ارائه دهید و آزمایش، مقیاس‌بندی و حتی استفاده مجدد از کدهای یادگیری ماشین را آسان‌تر می‌کند. هر روش به سبکی دوستانه و همتا به همتا توضیح داده شده و با کد منبع آماده تولید نشان داده شده است. درباره خواننده برای دانشمندان داده که یادگیری ماشین و اصول برنامه نویسی شی گرا را می دانند. درباره نویسنده بن ویلسون معمار اصلی Resident Solutions در Databricks است که در آنجا پروژه Databricks Labs AutoML را توسعه داده است. او همچنین یک committer MLflow است.


توضیحاتی درمورد کتاب به خارجی

Field-tested tips, tricks, and design patterns for building machine learning projects that are deployable, maintainable, and secure from concept to production. In Machine Learning Engineering in Action, you will learn: • Evaluating data science problems to find the most effective solution • Scoping a machine learning project for usage expectations and budget • Process techniques that minimize wasted effort and speed up production • Assessing a project using standardized prototyping work and statistical validation • Choosing the right technologies and tools for your project • Making your codebase more understandable, maintainable, and testable • Automating your troubleshooting and logging practices Ferrying a machine learning project from your data science team to your end users is no easy task. Machine Learning Engineering in Action will help you make it simple. Inside, you’ll find fantastic advice from veteran industry expert Ben Wilson, Principal Resident Solutions Architect at Databricks. Ben introduces his personal toolbox of techniques for building deployable and maintainable production machine learning systems. You’ll learn the importance of Agile methodologies for fast prototyping and conferring with stakeholders, while developing a new appreciation for the importance of planning. Adopting well-established software development standards will help you deliver better code management, and make it easier to test, scale, and even reuse your machine learning code. Every method is explained in a friendly, peer-to-peer style and illustrated with production-ready source code. About the reader For data scientists who know machine learning and the basics of object-oriented programming. About the author Ben Wilson is Principal Resident Solutions Architect at Databricks, where he developed the Databricks Labs AutoML project. He is also an MLflow committer.





نظرات کاربران