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 with Python

دانلود کتاب مهندسی یادگیری ماشین با پایتون

Machine Learning Engineering with Python

مشخصات کتاب

Machine Learning Engineering with Python

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781801079259 
ناشر: Packt Publishing Pvt Ltd 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 مگابایت

قیمت کتاب (تومان) : 35,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Machine Learning Engineering with Python 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 با پایتون 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 با پایتون

ارزش مدل‌های یادگیری ماشینی خود را با ساخت راه‌حل‌های مقیاس‌پذیر و قوی که می‌تواند در محیط‌های تولید به کار گرفته شود را افزایش دهید. الگوهای کلیدی مهندسی ML مانند ریزسرویس ها و الگوی Extract Transform Machine Learn (ETML) با موارد کاربرد شرح کتاب: مهندسی یادگیری ماشین یک رشته پررونق در رابط توسعه نرم افزار و یادگیری ماشین است. این کتاب به توسعه دهندگانی که با یادگیری ماشین و پایتون کار می کنند کمک می کند تا دانش خود را به کار ببندند و محصولات و خدمات یادگیری ماشینی با کیفیت بالا ایجاد کنند. مهندسی یادگیری ماشین با پایتون رویکردی عملی دارد تا به شما کمک کند تا با مفاهیم فنی اساسی، الگوهای پیاده‌سازی و متدولوژی‌های توسعه آشنا شوید تا در کمترین زمان ممکن راه‌اندازی کنید. قبل از اینکه به سراغ تصاویر عملی بروید و با ساختن و استقرار راه حل های قوی یادگیری ماشینی آشنا شوید، مراحل کلیدی چرخه زندگی توسعه یادگیری ماشین را درک خواهید کرد. همانطور که پیشروی می کنید، نحوه ایجاد مجموعه ابزارهای خود را برای آموزش و استقرار در تمام پروژه های خود به روشی ثابت کشف خواهید کرد. این کتاب همچنین به شما کمک می‌کند تا با معماری‌های استقرار عمل کنید و روش‌هایی را برای افزایش مقیاس راه‌حل‌های خود کشف کنید و در عین حال درک کاملی از نحوه استفاده مؤثر از ابزارهای مبتنی بر ابر ایجاد کنید. در نهایت، با مثال‌هایی کار می‌کنید تا به شما در حل مشکلات تجاری معمولی کمک کنند. تا پایان این کتاب، می‌توانید با استفاده از تکنیک‌های مختلف، سرویس‌های یادگیری ماشینی سرتاسر بسازید و فرآیندهای خود را برای مهندسی یادگیری ماشینی با عملکرد مداوم طراحی کنید. آنچه خواهید آموخت: بیابید که یک فرآیند مهندسی ML موثر چگونه به نظر می رسد. گزینه هایی برای خودکارسازی آموزش و استقرار را کشف کنید و نحوه استفاده از آنها را بیاموزید. از مهندسی نرم‌افزار می‌توانید به یادگیری ماشین بیاورید بینش‌هایی در مورد تطبیق مهندسی نرم‌افزار برای یادگیری ماشین با استفاده از فناوری‌های ابری مناسب به‌دست آورید تنظیم هایپرپارامتر را به روشی نسبتاً خودکار انجام دهید این کتاب برای چه کسانی است: این کتاب برای مهندسین یادگیری ماشین، دانشمندان داده و توسعه‌دهندگان نرم‌افزار است. که می خواهند راه حل های نرم افزاری قوی با اجزای یادگیری ماشین بسازند. اگر شما فردی هستید که مدیریت می کنید یا می خواهید چرخه عمر تولید این سیستم ها را درک کنید، این کتاب برای شما مفید خواهد بود. دانش پایتون در سطح متوسط ​​ضروری است.


توضیحاتی درمورد کتاب به خارجی

Supercharge the value of your machine learning models by building scalable and robust solutions that can serve them in production environments Key Features: Explore hyperparameter optimization and model management tools Learn object-oriented programming and functional programming in Python to build your own ML libraries and packages Explore key ML engineering patterns like microservices and the Extract Transform Machine Learn (ETML) pattern with use cases Book Description: Machine learning engineering is a thriving discipline at the interface of software development and machine learning. This book will help developers working with machine learning and Python to put their knowledge to work and create high-quality machine learning products and services. Machine Learning Engineering with Python takes a hands-on approach to help you get to grips with essential technical concepts, implementation patterns, and development methodologies to have you up and running in no time. You'll begin by understanding key steps of the machine learning development life cycle before moving on to practical illustrations and getting to grips with building and deploying robust machine learning solutions. As you advance, you'll explore how to create your own toolsets for training and deployment across all your projects in a consistent way. The book will also help you get hands-on with deployment architectures and discover methods for scaling up your solutions while building a solid understanding of how to use cloud-based tools effectively. Finally, you'll work through examples to help you solve typical business problems. By the end of this book, you'll be able to build end-to-end machine learning services using a variety of techniques and design your own processes for consistently performant machine learning engineering. What You Will Learn: Find out what an effective ML engineering process looks like Uncover options for automating training and deployment and learn how to use them Discover how to build your own wrapper libraries for encapsulating your data science and machine learning logic and solutions Understand what aspects of software engineering you can bring to machine learning Gain insights into adapting software engineering for machine learning using appropriate cloud technologies Perform hyperparameter tuning in a relatively automated way Who this book is for: This book is for machine learning engineers, data scientists, and software developers who want to build robust software solutions with machine learning components. If you're someone who manages or wants to understand the production life cycle of these systems, you'll find this book useful. Intermediate-level knowledge of Python is necessary.



فهرست مطالب

Cover
Title page
Copyright and Credits
Contributors
Preface
Section 1: What Is ML Engineering?
Chapter 1: Introduction to ML Engineering
	Technical requirements
	Defining a taxonomy of data disciplines
		Data scientist
		ML engineer
		Data engineer
	Assembling your team
	ML engineering in the real world
	What does an ML solution look like?
		Why Python?
	High-level ML system design
		Example 1: Batch anomaly detection service
		Example 2: Forecasting API
		Example 3: Streamed classification
	Summary
Chapter 2: The Machine Learning Development Process
	Technical requirements
	Setting up our tools
		Setting up an AWS account
	Concept to solution in four steps
		Discover
		Play
		Develop
		Deploy
	Summary
Section 2: ML Development and Deployment
Chapter 3: From Model to Model Factory
	Technical requirements
	Defining the model factory
	Designing your training system
		Training system design options
		Train-run
		Train-persist
	Retraining required
		Detecting drift
		Engineering features for consumption
		Engineering categorical features
		Engineering numerical features
	Learning about learning
		Defining the target
		Cutting your losses
		Hierarchies of automation
		Optimizing hyperparameters
		AutoML
		Auto-sklearn
	Persisting your models
	Building the model factory with pipelines
		Scikit-learn pipelines
		Spark ML pipelines
	Summary
Chapter 4: Packaging Up
	Technical Requirements
	Writing good Python
		Recapping the basics
		Tips and tricks
		Adhering to standards
		Writing good PySpark
	Choosing a style
		Object-oriented programming
		Functional programming
	Packaging your code
		Why package?
		Selecting use cases for packaging
		Designing your package
	Building your package
	Testing, logging, and error handling
		Testing
		Logging
		Error handling
	Not reinventing the wheel
	Summary
Chapter 5: Deployment Patterns and Tools
	Technical requirements
	Architecting systems
	Exploring the unreasonable effectiveness of patterns
		Swimming in data lakes
		Microservices
		Event-based designs
		Batching
	Containerizing
	Hosting your own microservice on AWS
		Pushing to ECR
		Hosting on ECS
		Creating a load balancer
	Pipelining 2.0
		Revisiting CI/CD
	Summary
Chapter 6: Scaling Up
	Technical Requirements
	Scaling with Spark
		Spark tips and tricks
		Spark on the cloud
	Spinning up serverless infrastructure
	Containerizing at scale with Kubernetes
	Summary
Section 3: End-to-End Examples
Chapter 7: Building an Example ML Microservice
	Technical Requirements
	Understanding the forecasting problem
	Designing our forecasting service
	Selecting the tools
	Executing the build
		Training pipeline and forecaster
		Training and forecast handlers
	Summary
Chapter 8: Building an Extract Transform Machine Learning Use Case
	Technical Requirements
	Understanding the batch processing problem
	Designing an ETML solution
	Selecting the tools
		Interfaces
		Scaling of models
		Scheduling of ETML pipelines
	Executing the build
		Not reinventing the wheel in practice
		Using the Gitflow workflow
		Injecting some engineering practices
About Packt
Other Books You May Enjoy
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی